FLAML：微软开源的轻量级 AutoML 引擎，3 行代码启动自动机器学习

FLAML：微软开源的轻量级 AutoML 引擎，3 行代码启动自动机器学习

做机器学习的人，大都调过超参数。Grid Search 太慢，Random Search 效果一般，手动调又太费时间。微软开源的 FLAML 就是专门解决这个问题的，目前 Star 数 4,363，社区活跃度不错。

FLAML 全称是 Fast Library for Automated Machine Learning & Tuning，定位很明确：用尽量少的计算资源，快速找到合适的模型和参数。它不是那种需要大量 GPU 才能跑的重型框架，普通机器也能用得起来。

核心能力：AutoML + 超参数调优

FLAML 主要做两件事。一是自动机器学习，输入数据后自动选模型、调参数，找到效果最好的组合。二是通用超参数调优，可以给任意函数做参数搜索，不局限于机器学习模型。

支持的模型包括 XGBoost、LightGBM、Random Forest 等主流算法，也支持深度学习框架。搜索策略用的是微软研究院提出的一系列优化算法，能根据已有结果动态调整搜索方向，减少无效尝试。

资源控制是 FLAML 的一个特点。用户可以设置时间预算，比如只给 1 小时，它会在时间内尽量找到最优解。对于计算资源有限的场景，这个设计很实用。

上手简单，3 行代码起步

FLAML 的 API 设计很简洁，熟悉 scikit-learn 的人基本零门槛：

from flaml import AutoML

automl = AutoML()
automl.fit(X_train, y_train, task="classification")

这段代码会自动尝试多个模型和参数组合，返回效果最好的配置。如果想限定模型范围，加个参数就行：

automl.fit(X_train, y_train, task="classification", estimator_list=["lgbm"])

对于更通用的调参需求，FLAML 提供了 tune 模块，可以给任意评估函数做参数优化。这种灵活性让它不仅限于传统 AutoML 场景。

另一个实用功能是 Zero-shot AutoML。用户可以直接用 LightGBM 或 XGBoost 的原生 API，FLAML 在后台自动选择合适的超参数配置，不需要改现有代码结构。

适用场景和注意事项

FLAML 适合几类用户：一是想快速验证模型效果，不想在调参上花太多时间；二是计算资源有限，需要在预算内找到较优解；三是做 MLOps 流程，需要自动化的模型选择和参数优化。

安装方式很标准，pip 直接安装：

pip install flaml

Python 版本要求 3.10 以上，3.14 以下。额外功能可以通过选项安装，比如 pip install "flaml[automl]" 会装上 AutoML 所需的依赖。

这个项目源自微软研究院的多项研究成果，合作方包括宾州州立大学、华盛顿大学等机构。代码完全开源，采用 MIT 协议。除了 Python 版本，微软还提供了 .NET 平台的实现，集成在 ML.NET 中。

如果你正在做机器学习项目，被调参困扰，FLAML 值得尝试。它不会取代你对模型的理解，但可以把重复性的搜索工作自动化，让你把精力放在更有价值的地方。