IBM/lale

解决的问题

Lale 通过自动化机器学习管道的算法选择和超参数调优，简化了半自动化数据科学。它解决了需要一致管理管道搜索工具的需求，同时确保配置是类型安全且正确的。

工作原理

Lale 提供了一个高级接口，可与 Hyperopt、GridSearchCV 和 SMAC 等现有管道搜索工具集成。为确保正确性，它使用 JSON Schema 验证超参数是否符合其所需类型，以及数据是否与管道中使用的算子兼容。它还提供来自各种框架（包括 scikit-learn、XGBoost 和 PyTorch）的转换器和估计器库。

适用人群

专为希望在不学习新编程语言或安装专用独立工具的情况下实验自动化机器学习（AutoML）的数据科学家设计。

主要亮点

• 统一接口：提供一种一致的方式来访问多种管道搜索工具。
• 类型安全：使用 JSON Schema 捕获超参数与类型之间的不匹配，或数据与算子之间的不匹配。
• 广泛互操作性：支持来自 scikit-learn、XGBoost 和 PyTorch 的算子。
• Python 原生：作为标准 Python 库运行，与 Jupyter Notebook 兼容。