Bagikan melalui

Apa itu Pembelajaran Mesin Otomatis (AutoML)?

Pembelajaran mesin otomatis (AutoML) mengotomatiskan proses penerapan pembelajaran mesin ke data. Mengingat himpunan data, Anda dapat menjalankan AutoML untuk melakukan iterasi melalui transformasi data yang berbeda, algoritma pembelajaran mesin, dan hiperparameter untuk memilih model terbaik.

Nota

Artikel ini mengacu pada ML.NET AutoML API, yang saat ini sedang dalam versi pratinjau. Materi dapat berubah.

Bagaimana cara kerja AutoML?

Secara umum, alur kerja untuk melatih model pembelajaran mesin adalah sebagai berikut:

  • Tentukan masalah
  • Mengumpulkan data
  • Data prapemroscesan
  • Melatih model
  • Evaluasi model

alur kerja pelatihan ML dan AutoML Tradisional

Praproses, pelatihan, dan evaluasi adalah proses eksperimental dan berulang yang memerlukan beberapa uji coba hingga Anda mencapai hasil yang memuaskan. Karena tugas-tugas ini cenderung berulang, AutoML dapat membantu mengotomatiskan langkah-langkah ini. Selain otomatisasi, teknik pengoptimalan digunakan selama proses pelatihan dan evaluasi untuk menemukan dan memilih algoritma dan hiperparameter.

Kapan saya harus menggunakan AutoML?

Baik Anda baru memulai pembelajaran mesin atau pengguna berpengalaman, AutoML menyediakan solusi untuk mengotomatiskan proses pengembangan model.

  • Pemula - Jika Anda baru menggunakan pembelajaran mesin, AutoML menyederhanakan proses pengembangan model dengan menyediakan serangkaian default yang mengurangi jumlah keputusan yang harus Anda buat saat melatih model Anda. Dengan demikian, Anda dapat fokus pada data Anda dan masalah yang coba Anda selesaikan dan membiarkan AutoML melakukan sisanya.
  • Pengguna berpengalaman - Jika Anda memiliki pengalaman dengan pembelajaran mesin, Anda dapat menyesuaikan, mengonfigurasi, dan memperluas default yang disediakan oleh AutoML berdasarkan kebutuhan Anda sambil tetap memanfaatkan kemampuan otomatisasinya.

AutoML dalam ML.NET

  • Featurizer - API Kemudahan untuk mengotomatiskan prapemrosesan data.
  • Uji Coba - Satu kali pengoptimalan hiperparameter dijalankan.
  • Experiment - Kumpulan uji coba AutoML. ML.NET menyediakan API tingkat tinggi untuk membuat eksperimen yang menetapkan default untuk komponen Sweepable Pipeline, Search Space, dan Tuner individual.
  • Ruang Pencarian - Rentang opsi yang tersedia untuk memilih hiperparameter.
  • Tuner - Algoritma yang digunakan untuk mengoptimalkan hiperparameter. ML.NET mendukung pengatur berikut ini:
    • Biaya Frugal Tuner - Implementasi pengoptimalan Frugal untuk Hyperparameter terkait Biaya, yang mempertimbangkan biaya pelatihan
    • Eci Cost Frugal Tuner - Implementasi Cost Frugal Tuner untuk ruang pencarian hierarkis. Penyetel bawaan yang digunakan oleh AutoML.
    • SMAC - Tuner yang menggunakan hutan acak untuk menerapkan optimisasi Bayesian.
    • Grid Search - Tuner yang paling sesuai untuk ruang pencarian kecil.
    • Pencarian Acak
  • Estimator yang Dapat Disapu - Estimator ML.NET yang berisi ruang pencarian.
  • Alur yang Dapat Disapu - Alur ML.NET yang berisi satu atau beberapa Estimator yang Dapat Disapu.
  • Trial Runner - Komponen AutoML yang menggunakan pipeline yang dapat di-sweep dan pengaturan percobaan untuk menghasilkan hasil percobaan dari pelatihan dan evaluasi model.

Disarankan bagi pemula untuk memulai dengan default yang disediakan oleh API eksperimen tingkat tinggi. Untuk pengguna yang lebih berpengalaman yang mencari opsi kustomisasi, gunakan estimator yang dapat dibersihkan, alur yang dapat disapu, ruang pencarian, runner uji coba, dan komponen penyetel.

Untuk informasi selengkapnya tentang mulai menggunakan API AutoML, lihat panduan Cara menggunakan API ML.NET Automated Machine Learning (AutoML).

Tugas yang didukung

AutoML menyediakan default yang telah dikonfigurasi sebelumnya untuk tugas-tugas berikut:

  • Klasifikasi biner
  • Klasifikasi multikelas
  • Regresi

Untuk tugas lain, Anda dapat membangun runner uji coba Anda sendiri untuk mengaktifkan skenario tersebut. Untuk informasi selengkapnya, silakan merujuk ke panduan Cara menggunakan API ML.NET Automated Machine Learning (AutoML).

Langkah berikutnya