För den oskolade betraktaren kan maskininlärning vara en komplicerad process. Ett antal faktorer övervägs när modeller ska utvecklas, inklusive val av algoritm, urvalet och ordnandet av data, och tuningen av olika ”hyperparametrar” för att optimera modellens prestanda. Auto-sklearn är ett verktyg framtaget för att förenkla denna process genom att automatisera några av dess mest tidskrävande aspekter.
Auto-sklearn, bygger på scikit-learn, ett populärt maskininlärningbibliotek för Python, och utökar dess funktionalitet med funktioner för automatiserat maskininlärning. Det använder meta-lärande för att rekommendera initiala konfigurationer och optimerar sedan dessa konfigurationer med hjälp av Bayesian-optimering. Denna kombination av tekniker bidrar till att ge auto-sklearn sin automatiseringskapacitet.
Auto-sklearn hanterar också automatiskt flera av de mer svåra aspekterna av maskininlärning, som förförbehandling av data, urval av lämpliga modeller och finjustering av modellinställningar. Den har visat sig uppnå konkurrenskraftiga resultat i många olika applikationer utan att kräva det djupa kunnande inom maskininlärning som traditionellt behövs för att skapa effektiva modeller.
