IBM/lale

解決的問題

Lale 透過自動化機器學習管道的演算法選擇與超參數調校，簡化半自動化資料科學。它解決了需要一致管理管道搜尋工具的需求，同時確保設定具備類型安全性與正確性。

工作原理

Lale 提供高階介面，可與 Hyperopt、GridSearchCV 和 SMAC 等現有管道搜尋工具整合。為確保正確性，它使用 JSON Schema 驗證超參數是否符合其所需類型，以及資料是否與管道中使用的運算子相容。它也提供來自各種框架（包括 scikit-learn、XGBoost 和 PyTorch）的轉換器與估計器程式庫。

適用對象

專為希望在不學習新程式語言或安裝專用獨立工具的情況下，實驗自動化機器學習（AutoML）的資料科學家設計。

主要亮點

• 統一介面：提供一致的方式來存取多種管道搜尋工具。
• 類型安全性：使用 JSON Schema 捕捉超參數與類型之間的不匹配，或資料與運算子之間的不匹配。
• 廣泛相容性：支援來自 scikit-learn、XGBoost 和 PyTorch 的運算子。
• Python 原生：作為標準 Python 套件運作，與 Jupyter Notebook 相容。