IBM/AutoMLPipeline.jl

解決的問題

AutoMLPipeline (AMLP) 簡化了複雜機器學習流程的建立與最佳化。它解決了「流程最佳化問題」（POP），即使用者必須同時決定最佳的預處理步驟序列（特徵萃取、轉換與選擇）以及最適合迴歸或分類任務的模型與超參數。

如何運作

AMLP 使用 Julia 的巨集程式設計，讓使用者能以符號表達式定義機器學習工作流程。它採用簡潔語法，其中 |> 代表操作序列，+ 代表平行特徵處理路徑的串接。

例如，使用者可以定義一個流程，將分類特徵透過獨熱編碼處理，數值特徵透過 PCA 處理，再將它們合併後傳遞給隨機森林模型。該套件提供 Scikit-learn 與 DecisionTree 等流行套件的封裝，並可透過覆寫 fit! 與 transform! 介面輕鬆擴充。

適用對象

專為需要快速原型設計、實驗並最佳化分類與迴歸任務機器學習流程結構的資料科學家與機器學習實務者所設計。

特色亮點

• 符號化流程 API：使用類似數學的簡潔表達式，高階描述複雜工作流程。
• 可擴充架構：透過實作兩個主要介面，輕鬆新增元件。
• 元集成：支援遞迴組合集成模型，以實現更穩健的預測。
• 特徵選擇器：內建工具，用於分離分類與數值特徵，以進行專用預處理。
• 廣泛整合：包含 Scikit-learn 等其他機器學習套件的封裝。