AutoML，数据的快乐星球！

在数据的世界中，机器学习已经成为不可或缺的工具，但它的模型开发应用过程却非常复杂。机器学习中的特征工程是数据分析中最耗费时间精力的一部分工作，大多情况下要依靠算法工程师的个人经验来处理。这样的特征工程具有很强的不确定性，如漏选特征、选到了无效特征、忽略高级特征等。建模流程中每一步和每一个关键点做出的决策对于模型在实际应用中的表现都至关重要，所以找到最佳模型通常是一个不断试错的过程。

（1）传统机器学习是一个烦琐且耗时的过程

传统的机器学习在解决问题时，首先需要对问题进行定义，然后针对特定问题收集数据，由专家对数据特征进行标定、提取特征、选择特征，然后根据所选特征训练模型、对模型进行评估，最后部署到应用上，以解决最初提出的问题。其中数据收集、特征提取、特征选择、模型训练和模型评估的过程，是一个迭代的过程，需要反复进行、不断优化才能得到较优的模型。这个过程非常耗时费力。

（2）传统机器学习有一定难度，准入门槛高

模型训练的难度使得很多初学者望而却步，即使是数据专家也经常抱怨训练过程是多么令人沮丧和变化无常。没有经过一定时间的学习，用户很难掌握模型选择、参数调整等步骤。

为了解决上述问题而诞生了AutoML，AutoML 可以将传统机器学习中的迭代过程综合在一起，构建一个自动化的过程，实现自动特征工程、自动参数调整、自动模型选择等功能，从而减少时间和人力等资源的浪费。AutoML试图将这些特征工程、模型选择以及参数优化等重要步骤进行自动化学习，使得机器学习模型无需人工参与即可被应用。AutoML是一个将从根本上改变基于机器学习解决方案现状的方案。

AutoML的原理

AutoML是一个控制神经网络提出一个可以在特定任务上训练和评测性能的子模型架构，测试的结果会反馈给控制器，让控制器知道下一轮如何改进自己的模型。自动机器学习集中在以下两个方面：数据采集和模型预测。在这两个阶段之间所有发生的步骤将被自动机器学习抽象出来。实际上，用户只需要提供自己的数据集、标签并点击下一步按钮来生成一个经过全面训练的和优化预测的模型。在数据预处理、模型选择、特征工程和超参数优化中涉及的大部分步骤将在后台进行处理。这种方法极大地改变了在训练机器学习模型中涉及的传统工作流。

AutoML完全改变了机器学习领域的游戏规则，因为对于许多应用程序，不再需要专业技能和知识。许多公司只需要深度网络来完成更简单的任务，他们并不需要雇用人工智能专家，只需要将数据组织好，然后交由AutoML完成即可。

在这篇文章中，我们将介绍如何使用POMA数据自动分析与建模平台快速构建机器学习模型。重要的是，POMA目前提供免费试用，让您体验自动机器学习的魅力。不想写代码，不想学数学，但又想拥有精准机器学习模型？POMA 可以让您亲身体验简单便捷、高质高效的数据科学建模。

POMA免费试用地址：https://sinoaus.shop/

中奥智能工业研究院（以下简称研究院）让人工智能融入每个人的生活思考决策中，研究院分布于上海、杭州、南京。POMA数据自动分析与建模平台是研究院自主研发构建的AutoML平台，跑数据，得源码，完成更简单，更快速，更高质量的数据分析建模。

无论是数据科学家还是不具备 AI 专业知识的业务人员，POMA都可以用较少的计算资源快速选择性能最好的模型作为推荐，在短时间内让您实现机器学习建模，全程零代码。POMA简单直观的界面大大提高了建模的便捷性，特征工程、模型训练和模型部署等过程完全自动完成，并且准确率非常高。此外，在处理数据缺失值时，可以选择缺失值阈值百分比，寻找更符合实际的方式进行补充，完全不需要代码。

　　　　　　　　　　　　　　　　整体建模流程

POMA是真正的自动化机器学习解决方案，您只需点击下一步下一步按钮，就可以完成从数据清洗到模型搭建所有步骤。只要对业务数据有一定理解，你就能通过POMA迅速建立机器学习模型，解决业务需求。平台通过自动算法集成与模型调参，整个建模过程由机器全程处理，实现了建模过程的自动化、规范化、可视化，降低了企业使用人工智能的门槛。

1、将结构化数据转换为 csv 文件上传到POMA平台，点击选择，点击下一步按钮，进入特征分析页面。