市面上的手动机器学习算法多如牛毛，但并没有得到挺好的普及，由于这种算法限制了搜索的空间，好多研究者还是须要自己设计机器学习模型的结构，而微软这次发布的AutoML-Zero搜索空间完全没有限制，可以从最基础的物理公式开始。「新智元招聘主笔、编辑、运营总监、客户总监，添加HR陌陌（Dr-wly）了解详情。」
AutoML企图将特点工程、模型选择、参数调节这种与特点、模型、优化、评价有关的重要步骤进行手动化地学习，致使机器学习模型无需人工干预即可生成。微软此次提出的方式跟往年的有何不同呢？
新方式可手动搜索新算法，仅借助基本的物理公式
Automl-Zero致力手动发觉机器学习算法，从空的或随机的程序开始，只使用基本的物理运算。它可以同时无偏好地搜索机器学习算法的所有方面，包括模型结构和学习策略。
虽然Automl-Zero的搜索域很广，但进化搜索看上去表现不错，通过搜索发觉了线性回归、带有反向传播的单层神经网路，甚至是超过手工设计的复杂度相当的基线算法。
里面的图显示了我们实验中的一个反例，可以看见演变算法是怎样来一步步解决二分类任务的。首先是个线性模型，没有任何优化方式，之后逐渐发觉了SGD来进行优化，接着开始加入随机的学习率，再往前发觉了ReLU激活函数，随机权重初始化，梯度归一化等等，越来越接近我们手工设计的网路结构和优化方式。
几乎从零开始，跟传统的组装型手动机器学习区别很大
我们手工打造一个典型的机器学习模型，要经过以下几个步骤，数据预处理、模型建立、学习、预测数学公式编辑器3.0下载，而AutoML-Zero的工作原理，可以简单理解为将各个步骤涉及的基本物理方式置于一个篮子里，之后随机从篮子取出置于对应的步骤，借助进化搜索，不断得到最优的组合。
AutoML-Zero跟之前的手动机器学习有哪些优缺呢？之前的手动学习主要集中在体系结构上，它依赖于专家设计的复杂层作为建立块——或类似的限制性搜索空间。我们的目标是证明AutoML可以走得更远：只需使用基本的物理运算作为建立块，来发觉一个完整的机器学习方式，我们通过引入一个新的框架来证明这一点，在这个搜索空间中可以明显减轻人类经验的偏见，发觉一些有趣的东西。
我们用auto-sklearn来解释下传统的手动机器学习所使用的方式，对细节感兴趣的朋友可以看下这篇论文。
作者开发了一个基于scikit-learn的强悍的新AutoML系统（使用15个分类器，14个特点预处理方式和4种数据预处理方式，进而形成具有110个超参数的结构化搜索空间）。这个系统是在有限的参数空间中数学公式编辑器3.0下载，通过手动对比在类似数据集上的性能，以及评估那些手动构造的模型性能，来实现手动搜索最优的机器学习技巧。
怎样用Python实现传统的AutoML
到这儿你应当理解了，AutoML-Zero的普适性更强一些，可以发觉未知的机器学习方式，而auto-sklearn只是在现有的结构和参数中手动找到最优的。
我们用Python来举个简单的事例：
importautosklearn.classificationimportsklearn.model_selectionimportsklearn.datasetsimportsklearn.metricsX，y=sklearn.datasets.load_digits（return_X_y=True）X_train，X_test，y_train，y_test=sklearn.model_selection.train_test_split（X，y，random_state=1）AutoML=autosklearn.classification.AutoSklearnClassifier（）AutoML.fit（X_train，y_train）y_hat=AutoML.predict（X_test）print（“Accuracyscore”，sklearn.metrics.accuracy_score（y_test，y_hat））
假如想亲自动手实验的话可以安装Anaconda，它集成了所须要的大部份Python科学估算库，之后通过conda安装auto-sklearn。
