全文共3101字，预计学习时长6分钟

猫和老鼠，第70集——机器猫（1952）

日常工作中，我经常用到AutoML（Automated Machine Learning，自动机器学习），在参加ML竞赛时，也用过几次AutoML来辅助主模型，还参加过两次AutoML竞赛。我认为，AutoML自动化建模过程的想法是很棒的，但这一领域其实被吹吹捧得言过其实了。在未来，一些重要概念，如特征工程、元学习超参优化，可以释放AutoML的潜能；但是目前，一站式的AutoML作为一种工具，只会徒增开销。

下文提到的所有数据和操作都是关于表格数据的。

什么是AutoML？

数据科学项目

数据科学项目包括几个基本步骤：从商业角度提出问题（选择任务和成功与否的指标）、收集数据（收集、清理、探索）、建模及评估模型性能，以及在生产环境中应用模型并观察其性能。

数据挖掘跨行业标准流程

该流程的每一部分都对项目的成功至关重要。然而，机器学习专家认为，建模过程是最基本的。设计良好的机器学习模型可以为公司带来很多潜在价值。

给定一个数据集和目标（特定指标值越大越好），数据科学家需要在建模过程中解决优化问题。这一过程非常复杂，需要多种技巧：

1. 需要将特征工程当作一种艺术，而不仅仅是一门科学；

2. 优化超参需要深刻理解算法和ML核心概念；

3. 需要运用软件工程技术来输出简洁易懂、便于应用的代码。

此时，AutoML就能派上用场了。

ML建模既是一种艺术，也是一门科学，还是软件工程。

AutoML

AutoML的输入是数据和任务（分类、回归、推荐等），输出则是生产就绪、能预测未知数据的模型。数据驱动管道的每一个决策都是一个超参。AutoML的关键在于找到能够在合理时间内给出良好分数的超参。

• AutoML用于数据预处理的方法：如何处理数据不平衡；如何填补空值；移除、替代或保留异常值；如何给类别和多个类别列编码；如何避免目标泄露；如何避免内存错误等等；

• AutoML生成并选出有意义的新特征；

• AutoML选择模型（线性模型、K-Nearest Neighbors、Gradient Boosting、神经网络等）；

• AutoML调节所选模型的超参（如，树模型中数的数量和子采样的数量、神经网络中的学习率和epoch数）；

• 有条件的话，AutoML可以生成一组稳定的模型集合来提高分数。

AutoML发展动力

AutoML将会填补数据科学市场中“供给”和“需求”之间的空白

现在，越来越多的公司要么刚开始收集数据，要么想要从已收集的数据中获取潜在价值——他们都想从中分一杯羹。然而，能够满足公司需求、具有相关经验的数据科学家却很少。市场供需不平衡，缺口扩大。AutoML恰好可以填补这一空缺。

但是AutoML这种一站式的解决方案能否给公司创造价值呢？在我看来，答案是否定的。

这些公司需要的是一个过程，而AutoML仅仅是一个工具。工具上的先进弥补不了战略上的缺失。在开始使用AutoML前，可以先考虑和咨询公司合作，制定一个数据科学战略。这也是为什么大部分AutoML供应商不仅提供解决方案，还提供咨询的原因。这其中颇有技巧。

看起来并不是一个好计划（《南方公园》，s2e17）

AutoML可以帮助数据科学团队节省时间

根据2018年Kaggle机器学习和数据科学调查报告，一个普通的数据科学项目，其15%-26%的时间会花在建模或选择模型过程上。这一过程既要求人力，又要求计算时间。一旦目标或数据发生变动（比如说增加了新的特征），则需要再重复一遍该过程。而AutoML可以帮助数据科学家节省这一时间，从而把时间放在更重要的事情上（如椅上击剑）。

只需几行代码就可以使用AutoML

如果一家公司的数据科学团队说建模并不是他们最重要的任务，那么这家公司的数据科学过程显然是有问题的。通常，模型性能的一点点提升就能为公司带来巨大利益。这样一来，在建模上花的时间是非常有意义的。

Oversimplified rules:if (Gain from model > Costs of DS team time) → Time savings are not needed.

if (Gain from model <= Costs of DS team time) → Are you solving the right problem?

写下数据科学团队每日任务的脚本，可以在将来节省时间，比使用一站式的解决方案要好得多。我已经写了一些用于自动化日常任务的脚本，包括自动化特征生成、特征筛选、模型训练、超参调节等，现在每天都会用到。

AutoML表现优于普通数据科学家

不幸的是，除了开源AutoML基准，我们没有任何能够有效比较表格AutoML和人类数据科学家的基准。2019年7月1日，也就是几个月前，几位作者发表了一篇文章，比较了调参后的随机森林和几个AutoML库的性能。其结果如下图所示：

出于好奇，我决定制定自己的基准。我将我的模型的性能和AutoML解决方法进行了比较，使用了三个二分类数据集，包括信用数据、KDD促销数据和按揭贷款数据。随机将每个数据集中的60%分为训练集（按目标分层），剩下40%为测试集。

我的基础模型非常简单，既没有深入挖掘数据，也没有创建高级特征：

1. 5折StratifiedKFold；

2. 对分类列使用Catboost Encoder（不熟悉Catboost Encoder的读者可以先参考我以前的文章：分类编码基准）；

3. 对数值列对使用数学操作(+-*/)。新特征限制为500。

4. 模型为LightGBM，使用默认参数；

5. 融合OOF排序预测。

我使用了两个AutoML标准库：H2O和TPOT，并使用多个时间间隔对它们进行训练，从15分钟到6小时不等，结果非常令人惊讶。衡量指标如下：

Score = (ROC AUC / ROC AUC of my baseline) * 100%

首先，几乎在所有情况下，我的基础模型都完胜AutoML。这让我有点失望，毕竟我本来还打算让AutoML干脏活累活，我能趁机放松一下。但是看样子也无法实现了。

其次，随着训练间隔时间的增长，AutoML的分数并没有提高。这意味着不管我们等多久，15分钟也好，6小时也罢，得到的分数都是一样的低。

AutoML并不总能得到高分。

总结

1. 如果公司是第一次接触数据科学，建议聘请一个咨询师。

2. 尽可能使工作自动化。

3. 一站式解决方案并不是个好的选择——它的分数太低了。

PS：别把引擎当汽车

这篇文章讲的是工具，但是我们也需要意识到，建模只是整个数据科学项目管道的一部分。我觉得将项目类比为汽车非常贴切。这样一来，建模的输出——也就是机器学习模型——就可以看作是汽车引擎。

毫无疑问，引擎是汽车最基本的组件，但它并不能代表一辆车。如果忽视了其他部分，那么花再多时间在创造高端、周到、复杂的特征、选择神经网络结构或调节模型参数上，也是徒劳无功的。

如果解决问题的方向是错的（从商业角度理解），或者数据有偏差需要重新训练（数据探索），又或者模型太复杂，不能用于生产（应用阶段），那么就算模型能够取得很高的分数，也无法用于实践。

到最后，你可能会发现自己处在一个很愚蠢的情境下：在花了数日或数周，辛辛苦苦完成建模之后，你骑的是一辆车篮里装着汽车引擎的慢吞吞的自行车。

工具是基础；战略是关键。

推荐阅读专题

留言 点赞 关注

我们一起分享AI学习与发展的干货

如需转载，请后台留言，遵守转载规范