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：识别应省略低预测功率和高度相关变量的变量。
- 特征提取和选择：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：自动调整模型超参数并识别最佳执行模型。
- 部署准备：使用代码生成，您可以将高级机器学习代码转换为C / C ++等较低级别语言，以便在具有有限的内存和低功耗的嵌入式设备上部署。
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。
特征提取和选择
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。
根据数据类型，可以使用许多方法来生成原始数据的功能：
- 小波散射应用预定义的小波和缩放滤波器以获得来自信号和图像数据的低方差特征。
- 无监督的学习方法，如重建ICA.和稀疏过滤，通过揭示独立组件并优化特征分布中的稀疏性来了解高效的表示。
- 其他功能图片和音频信号可以在计算机Vision Toolbox™和Audio Toolbox™中找到。
特征选择标识仍提供预测功率的功能的子集，但功能较少和较小的模型。各种各样的自动特征选择的方法可用，包括通过其预测电力和学习特征的排名特征以及模型参数的重要性。其他特征选择方法迭代地确定一组优化模型性能的功能。
模型选择和调整
在开发综合机器学习模型的核心上，识别许多可用型号中的哪种型号在手头的任务中表现最佳，然后调整其超参数以优化性能。Automl可以在一步中优化模型和相关的封闭式覆盖物。一步式优化的有效实现将元学习应用于基于特征的特性将搜索良好模型的搜索缩小到候选模型的子集，并通过应用贝叶斯优化而不是计算，有效地优化每个候选模型的超参数更强化的网格和随机搜索。
如果使用其他手段识别有前途的模型（例如，试验和错误），则可以通过诸如网格或随机搜索的方法单独优化其超级参数，或如前所述的贝叶斯优化。
一旦确定了性能模型，您就可以部署优化的模型而无需额外编码。要完成此任务，请在Simulink这样的模拟环境中应用自动代码生成或将其集成在一起万博1manbetx®。
