编程智能体与代码 · 工具介绍
Auto-PyTorch
Auto-PyTorch 将神经网络结构搜索与训练超参数优化结合，用于表格分类、回归和时间序列预测。其流程包含数据校验、基线评估、预算内搜索以及模型集成。
Auto-PyTorch 能做什么
Auto-PyTorch 将神经网络结构搜索与训练超参数优化结合，用于表格分类、回归和时间序列预测。其流程包含数据校验、基线评估、预算内搜索以及模型集成。
- 模型训练与部署
如何使用 Auto-PyTorch
在限定时间内搜索表格分类模型
准备输入
- 已划分的训练与测试特征、标签，以及总搜索时间和单次评估时间预算。
操作步骤
- 安装 autoPyTorch，创建 TabularClassificationTask。
- 调用 search 提供数据、accuracy 指标及两个时间限制。
- 使用 predict 处理测试特征，再通过 score 对照测试标签检查准确率。
预期交付物
- 搜索得到的模型集成、测试预测以及准确率评分。
人工核查数据切分和评价指标，时间预算内的最佳候选不代表所有可能模型中的全局最优；旧版 API 与 0.1.0 起的接口存在不兼容。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从编程智能体与代码角度评估Auto-PyTorch
把编程智能体与代码需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
能否读懂上下文
确认工具能够读取所需目录，且不会引入不必要的资料。
改动是否可审查
优先能展示差异、保留原文件和逐步验证的工作方式。
测试能否说明问题
测试应覆盖用户可见行为，不只证明代码能运行。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
