自动化机器学习（Automl）自动化并消除从设置到预测模型的数据所需的手动步骤。Automl还降低了构建精确模型所需的专业知识，因此您是否可以使用它是专家还是有限的机器学习体验。通过自动化重复任务，AutomL简化机器学习工作流程中的复杂阶段，例如：
- 数据探索和预处理：确定与低的预测能力，并应当消除高度相关的变量，变量。
- 特征提取与选择：自动提取特征和 - 在大功能集中 - 识别具有高预测功率的特征。
- 模型选择和调整：自动调节模式超参数和识别表现最好的模型。
- 准备部署：代码生成，可以改造高级别机器学习代码转换成低级语言如C / C ++对具有有限的存储器和低功耗的嵌入式设备部署。
简化机器学习工作流程与自动化。Automl适用的步骤显示为浅灰色。
您可以使用MATLAB与AutomL支持许多工作流程，例如功能提取和万博1manbetx选择和模型选择和调谐。
特征提取与选择
特征提取减少了原始数据中存在的高维性和可变性，并识别捕获输入信号的突出和独特部分的变量。特征工程的过程通常从原始数据生成初始特征，以选择最合适的特征的小子集。但功能工程是一个迭代过程，其他方法如特征转换和维度减少可以发挥作用。
根据数据的类型，很多方法可用来从原始数据的特点：
- 小波散射适用预先定义小波和缩放滤波器，以获得低方差从信号和图像数据的功能。
- 无监督学习方法，如重建ICA和稀疏滤波，通过揭露独立的组件，并在特征分布稀疏优化学习效率表示。
- 其他功能图片和音频信号可以在计算机视觉工具箱™和音频工具箱™被发现。
特征选择识别功能仍提供预测能力，但功能较少和较小的模型的一个子集。各种各样的自动特征选择的方法可供选择，包括通过他们的预测能力分级特征，并与模型参数一起学习功能的重要性。其他特征选择方法反复确定一组功能，优化模型的性能。
模型选择和调整
在制定一个全面的机器学习模型识别其手头上的许多可用的模型进行最适合的任务中，然后调整其超参数来优化性能的核心。AutoML可以在单一步骤中同时优化模型和相关联的超参数。的一个步骤模型优化高效的实现使用元学习缩小了良好的模型基础上的功能特性候选模型的一个子集搜索，并优化超参数为每个候选模型的有效运用贝叶斯优化，而不是计算的更密集的网格和随机搜索。
如果希望的模型使用其他手段（例如，试验和错误）确定，其超参数可以单独通过方法如网格或随机搜索，或贝叶斯优化如前所述优化。
一旦你已经确定了性能模型，可以不用额外的编码部署优化模型。为了完成这个任务，应用的自动代码生成，或者它内部的模拟环境，比如Simulink的整合万博1manbetx®。
