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.
Wie AutoGluon-Tabular funktioniert
AutoGluon-Tabular führt fortschrittliche Datenverarbeitungs-, Deep Learning- und mehrschichtige Modellensemble-Methoden durch. 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, die von handelsüblichen Boost-Trees bis hin zu maßgeschneiderten neuronalen Netzwerken reichen. 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 im Bereich maschinelles Lernen gut ab, da er robust mit einer Vielzahl von Datentypen, Beziehungen und Verteilungen umgeht. Sie können ihn AutoGluon-Tabular für Regressions-, Klassifizierungs- (binär- und Mehrklassenprobleme) und Ranking-Probleme 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
