【机器学习】AutoGluon：亚马逊自动机器学习工具，初学者的福音

如果一个机器学习初学者，仅用三行代码就训练了一个模型，并且模型的性能要比从业数十年的都要好，这是一种什么样的感觉？

AutoGluon就能帮你梦想成真。

上面这张图片就是AutoGluon的工作流，多么简单啊！根据数据类型（问题定义）实例化任务，仅通过一个fit函数就完成了训练过程，仅通过一个predict函数就完成了对新数据的预测过程。

那么，模型，损失函数，优化器，超参数的选择哪去了？

所有这一切AutoGluon都帮你做了。

我之前介绍过微软的NNI，同样是AutoML工具，为什么还要介绍AutoGluon呢？

因为NNI不够亲民。

来看一下NNI是如何进行超参数搜索的？

Step1：准备模型

Step2：定义搜索空间

Step3：配置实验    

    配置实验代码    

    配置搜索空间    

    配置微调算法    

    配置实验次数

Step4：开始实验

实验可以理解为一个超参数搜索过程，为什么说它不够亲民呢？

第一步你需要自己选择模型，可我是个初学者，我咋知道选择什么模型？我甚至连模型是啥都不知道，就算有点经验的人，在是选择传统的机器学习还是神经网络方面也会犯糊涂，毕竟，就连吴恩达老师在这个问题上都承认犯过错误。

可见，选择多了也不是什么好事。

可这还没完，接下来你仍然要面临选择，例如，传统机器学习中能完成分类任务的也不止一个，有基于树的分类器：决策树，提升树，贝叶斯分类器，逻辑回归，SVM等等。

神经网络中也有卷积神经网络CNN，前馈神经网络类ANN以及循环神经网络RNN，仍然要面临类似的选择问题，例如，对于NLP任务，大家首先想到的是RNN，但你可知道CNN也能完成同样的任务。

第二步你需要自己定义搜索空间，空间定义大了，搜索过程会慢，定义小了会错过最优解，甚至连划分粒度都得小心翼翼。

第三步中你需要自己定义搜索算法，是选择基于贝叶斯优化的搜索算法还是强化学习的搜索算法？虽然是个选择题，可是选择哪个鬼真是一点思路都没有啊！

。。。

之前对NNI的一顿吹真是啪啪打自己的脸？

总结来说，不是NNI不好，而是NNI需要有一定的经验和基础。

封装程度

NNI的问题在AutoGluon中三行代码就搞定了。

可见，AutoGluon的封装程度很高。什么是封装程度呢？

举个例子，要使用GPU的并行计算能力。

你是个软件工程师，不想触碰硬件，显卡驱动代替你与硬件交流，你就不用读硬件手册，不用了解寄存器或者总线地址什么的了。

可你仍然不想内核编程，所以CUDA出现了，CUDA代替你与驱动交流，你就不用去了解系统调用等复杂的API了。

可是面对浩如烟海的CUDA API仍然令人头疼，所以机器学习框架代替你与CUDA交流，你只需要一句话device=“gpu”就用上并行计算了。

但封装程度越高，也就意味着可控程度越低。

如何使用AutoGluon？

使用AutoGluon，你的工作重心就一个：选择任务类型。

每一个任务类型都有两个重要的角色：DataSet和Predictor。前者用于处理数据，后者用于拟合模型。

在AutoGluon中有三种任务类型。表格任务，多模态任务，以及时序任务。

表格任务

机器学习界的hello world想必你肯定知道吧，加利福尼亚房价预测，也就是输入房屋的面积，房间数，是否邻街道等等特征，输出预测的房价。

我们通常把这种类型的数据称为表格数据。

能处理表格数据的任务就是表格任务。对应的DataSet和Predictor为TabularDataset和TabularPredictor。

来看一个具体的例子：

使用TabularDataset加载数据，可以加载网络数据也可以加载本地数据。

重要的是，你不需要进行数据预处理操作，AutoGluon会帮你数据清理，归一化，异常值处理等操作。

除此之外，还可以输出数据的统计信息。

label = 'signature'指定输出列，这很重要，因为后续要根据这个选择模型，之后就可以模型训练了。

虽然一行代码就搞定了。但通过日志可知它背着我们做了很多事。

通过日志可知，它首先进行特征工程，根据输出列数据类型判断是分类任务还是回归任务，然后训练了多个模型，并将多个模型集成到一起作为最终模型。

同样一行代码就完成了新数据的预测。

多模态任务

MultiModalPredictor包含各种深度学习模型，用于处理多模态输入，例如，图像，文本，表格数据。

AutoGluon能自动识别数据类型，例如，AutoGluon的多模态数据格式要求,图像列应包含一个字符串,该字符串的值为指向单个图像文件的路径。

举个例子，根据宠物的文本描述，体重等表格特征，以及宠物的图片来预测宠物的被收养率。


解压数据

使用pandas读取CSV文件，并转换成DataFrame格式，指定输出列。

将图像列转换为标准路径格式。

开始训练

根据日志可知AutoGluon选择了MultimodalFusionMLP模型，也就是将提取的图像特征，文本特征以及表格特征拼接到一起，然后送入MLP网络。

因为输出的是概率，所以选择了交叉熵损失函数。

时序任务


时序任务的对应的DataSet和Predictor为TimeSeriesDataFrame和TimeSeriesPredictor。

例如，用AutoGluon预测未来某个时间的股票值。

加载数据

转换为TimeSeriesDataFrame格式

target为输出列。

模型训练

AutoGluon会训练多个模型，并按照性能排序。