Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Funktionsweise von AutoGluon-Tabular
AutoGluon-Tabular bietet fortschrittliche Datenverarbeitungs-, Deep-Learning- und mehrschichtige Modellensemble-Methoden. Es erkennt automatisch den Datentyp in jeder Spalte und ermöglicht so eine robuste Datenvorverarbeitung, einschließlich einer speziellen Behandlung von Textfeldern.
AutoGluon eignet sich für verschiedene Modelle, von handelsüblichen Boost-Trees bis hin zu maßgeschneiderten neuronalen Netzwerken. Diese Modelle sind auf neuartige Weise zusammengesetzt: Modelle werden in mehreren Schichten gestapelt und schichtweise trainiert, sodass gewährleistet ist, dass Rohdaten innerhalb einer bestimmten Zeitbeschränkung in qualitativ hochwertige Voraussagen übersetzt werden können. Dieser Prozess verhindert Überanpassungen, indem die Daten auf verschiedene Arten aufgeteilt werden, wobei veraltete Beispiele sorgfältig verfolgt werden.
Der AutoGluon-Tabular-Algorithmus schneidet bei Wettbewerben zur Machine Learning gut ab, da er eine Vielzahl von Datentypen, Beziehungen und Verteilungen zuverlässig verarbeiten kann. Sie können AutoGluon-Tabular für Regressions-, Klassifizierungs- (binär und Multiklassen) und Rangordnungsprobleme verwenden.
Das folgende Diagramm zeigt, wie die Strategie für mehrschichtiges Stapeln funktioniert.
Weitere Informationen finden Sie unter AutoGluon-Tabular: Robustes und genaues AutoML für strukturierte Daten
