用于图像、文本和表格数据的 AutoML
项目描述
用于图像、文本和表格数据的 AutoML
AutoGluon 自动执行机器学习任务，使您能够轻松地在应用程序中实现强大的预测性能。只需几行代码，您就可以在图像、文本和表格数据上训练和部署高精度机器学习和深度学习模型。
例子
# First install package from terminal:
# pip install -U pip
# pip install -U setuptools wheel
# pip install autogluon # autogluon==0.5.0
from autogluon.tabular import TabularDataset, TabularPredictor
train_data = TabularDataset('https://autogluon.s3.amazonaws.com/datasets/Inc/train.csv')
test_data = TabularDataset('https://autogluon.s3.amazonaws.com/datasets/Inc/test.csv')
predictor = TabularPredictor(label='class').fit(train_data, time_limit=120) # Fit models for 120s
leaderboard = predictor.leaderboard(test_data)
| AutoGluon 任务 | 快速开始 | API |
|---|---|---|
| 表格预测器 |  |
 |
| 文本预测器 | |
|
| 图像预测器 | |
|
| 物体检测器 | |
|
| 多模态预测器 | |
|
资源
有关以下方面的文档和说明，请参阅AutoGluon 网站：
-
- 最大化准确性的提示（如果基准测试，请确保
fit()使用参数运行presets='best_quality'）。
- 最大化准确性的提示（如果基准测试，请确保
有关即将推出的功能和版本的详细信息，请参阅AutoGluon 路线图。
科学出版物
- AutoGluon-Tabular：用于结构化数据的稳健且准确的 AutoML（Arxiv，2020 年）
- 通过增强蒸馏（NeurIPS，2020）为表格数据建立快速、准确和简单的模型
- 带有文本字段的结构化表格上的多模式 AutoML（ICML AutoML 研讨会，2021 年）
文章
- 用于表格数据的 AutoGluon：3 行代码在 Kaggle 比赛中达到前 1%（AWS 开源博客，2020 年 3 月）
- 使用 AutoGluon 用 3 行代码进行准确的图像分类（中，2020 年 2 月）
- AutoGluon 概述和示例应用程序（Towards Data Science，2019 年 12 月）
动手教程
在云端训练/部署 AutoGluon
为 AutoGluon 做贡献
我们正在积极接受对 AutoGluon 项目的代码贡献。如果您有兴趣为 AutoGluon 做出贡献，请阅读贡献指南以开始。
引用 AutoGluon
如果您在科学出版物中使用 AutoGluon，请引用以下论文：
埃里克森、尼克等人。“AutoGluon-Tabular：用于结构化数据的稳健且准确的 AutoML。” arXiv 预印本 arXiv:2003.06505 (2020)。
中文提供条目：
@article{agtabular,
title={AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data},
author={Erickson, Nick and Mueller, Jonas and Shirkov, Alexander and Zhang, Hang and Larroy, Pedro and Li, Mu and Smola, Alexander},
journal={arXiv preprint arXiv:2003.06505},
year={2020}
}
如果您使用 AutoGluon Tabular 的模型蒸馏功能，请引用以下论文：
Fakoor、Rasool 等人。“通过增强蒸馏为表格数据建立快速、准确和简单的模型。” 神经信息处理系统的进展 33 (2020)。
中文提供条目：
@article{agtabulardistill,
title={Fast, Accurate, and Simple Models for Tabular Data via Augmented Distillation},
author={Fakoor, Rasool and Mueller, Jonas W and Erickson, Nick and Chaudhari, Pratik and Smola, Alexander J},
journal={Advances in Neural Information Processing Systems},
volume={33},
year={2020}
}
如果您在科学出版物中使用 AutoGluon 的多模式文本+表格功能，请引用以下论文：
施行健，等。“带有文本字段的结构化表格上的多模式 AutoML。” 第 8 届 ICML 自动化机器学习 (AutoML) 研讨会。2021 年。
中文提供条目：
@inproceedings{agmultimodaltext,
title={Multimodal AutoML on Structured Tables with Text Fields},
author={Shi, Xingjian and Mueller, Jonas and Erickson, Nick and Li, Mu and Smola, Alex},
booktitle={8th ICML Workshop on Automated Machine Learning (AutoML)},
year={2021}
}
AutoGluon 用于超参数优化
AutoGluon 用于超参数优化的最先进工具（例如 ASHA、Hyperband、贝叶斯优化和 BOHB）已转移到独立软件包syne-tune中。
要了解更多信息，请查看我们的论文“基于模型的异步超参数和神经架构搜索” arXiv 预印本 arXiv:2003.10865 (2020)。
@article{abohb,
title={Model-based Asynchronous Hyperparameter and Neural Architecture Search},
author={Klein, Aaron and Tiao, Louis and Lienart, Thibaut and Archambeau, Cedric and Seeger, Matthias},
journal={arXiv preprint arXiv:2003.10865},
year={2020}
}
执照
该库在 Apache 2.0 许可下获得许可。
