Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Fonctionnement d'AutoGluon-Tabular
AutoGluon-Tabular applique des méthodes avancées de traitement des données, de deep learning et de regroupement de modèles multicouches. L'algorithme reconnaît automatiquement le type de données dans chaque colonne pour un prétraitement robuste des données, y compris un traitement spécial des champs de texte.
AutoGluon s'adapte à divers modèles allant des arbres boostés prêts à l'emploi aux réseaux neuronaux personnalisés. Ces modèles sont regroupés d'une manière innovante : les modèles sont empilés en plusieurs couches et entraînés au niveau de chaque couche, ce qui garantit que les données brutes peuvent être traduites en prédictions de haute qualité dans un délai donné. Ce processus réduit le surajustement des données en divisant ces dernières de diverses manières grâce à un suivi attentif des exemples non conformes.
L'algorithme AutoGluon-Tabular fonctionne bien dans les compétitions de Machine Learning en raison de son traitement robuste de divers types de données, de relations et de distributions. Vous pouvez utiliser AutoGluon-Tabular pour les problèmes de régression, de classification (binaire et multi-classes) et de classement.
Reportez-vous au diagramme suivant illustrant le fonctionnement de la stratégie d'empilage multicouche.
Pour plus d'informations, consultez AutoGluon-Tabular : AutoML robuste et précis pour les données structurées
