四个工程师两个数据集将之干翻！

toML 能够自动完成从数据清洁到参数优化的整个流程，凭借着出色的时间与性能改进效果，为各类机器学习项目带来巨大价值。

1. Google Cloud AutoML

诞生于 2018 年的 Google Cloud AutoML 凭借其友好的用户界面与极高的性能表现，很快在市场上得以普及。下图所示，为 Google 与其他 AutoML 平台之间的性能比较（蓝色柱形为 Google AutoML）。


 

软 Azure AutoML

同样诞生于 2018 年的 Azure AutoML，为不熟悉编程知识的用户们带来高透明度模型选择流程。

3. H2o.ai

“H2O 已经成为大规模模型构建领域的重要驱动力。面对数十亿级别的参数规模，任何现成的标准开源技术都显得无能为力。” — H2o.ai

H2o 诞生于 2012 年，同时提供开源软件与商业 AutoML 服务（Driverless AI）两种选项。自面世以来，H2O 已经在金融服务与零售等行业得到广泛应用。

4. TPOT

TPOT（基于树形结构的流水线优化工具）由宾夕法尼亚大学开发完成，是一款可免费使用的 Python 软件包。该软件虽然完全免费，但功能方面不打一点折扣，而且在各类数据集上均拥有出色性能表现：Iris 数据集准确率约为 97%，MNIS 数字识别数据集准确率 98%，波士顿房屋价格预测为 10 MSE。

AutoML 对阵数据科学家

现在，我们已经了解了 AutoML 的基本定义及其可用选项。下面来看核心问题：这些平台会全面取代人类数据科学家吗？

为了找到令人信服的答案，我们将通过一场黑客马拉松，客观评估 AutoML 与人类之间的分析能力差异。

成本比较

根据 Indeed.com 网站的统计，美国数据科学家的平均年薪为 12 万 1585 美元。而 如果一家企业全年持续使用 AutoML（每周 40 小时，每年 52 周），则费用每年在 4160 美元到 41600 美元之间，具体视实际平台选项而定。

诚然，这样的直接比较并不合理，因为我们都知道数据科学家在模型操作之外还有其他工作需要处理。但在另一方面，这种快速简单的方法，仍能在一定程度上体现数据科学家与 AutoML 的成本差异。

（编辑：淮南站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!