系列主旨

降低 AI 門檻，讓非專家也能自動建構模型、選特徵與調超參數，大幅提升開發效率。

Part 1：AutoML 工具生態

目標

快速比較主流 AutoML 框架。

技術：auto-sklearn, H2O AutoML, Google AutoML

流程圖描述：

資料 → 自動前處理 → 自動模型搜尋 → 排名最佳模型

import autosklearn.classification as ask
model = ask.AutoSklearnClassifier()
model.fit(X_train, y_train)
print(model.leaderboard())

Part 2：特徵工程自動化

目標

自動產生並篩選有效特徵。

技術：featuretools

流程圖描述：

原始表格 → 自動特徵生成 → 評分 → 特徵選擇

import featuretools as ft
es = ft.EntitySet(id="sales")
es = es.add_dataframe(dataframe_name="orders", dataframe=df, index="order_id")
features, _ = ft.dfs(entityset=es, target_dataframe_name="orders")

Part 3：超參數搜尋與最佳化

目標

透過自動搜尋找到最佳參數。

技術：optuna

流程圖描述：

模型 → 定義搜尋空間 → 多次訓練 → 找到最佳組合

import optuna

def objective(trial):
    n_estimators = trial.suggest_int("n_estimators", 50, 300)
    model = RandomForestClassifier(n_estimators=n_estimators)
    model.fit(X_train, y_train)
    return model.score(X_val, y_val)

study = optuna.create_study(direction="maximize")
study.optimize(objective, n_trials=30)

Part 4：成本效益分析

目標

衡量 AutoML 帶來的時間與效能成本平衡。

技術：成本計算、運算資源監控 (codecarbon)

流程圖描述：

AutoML 訓練 → 成本紀錄 → 性能評估 → ROI 計算

from codecarbon import EmissionsTracker
tracker = EmissionsTracker()
tracker.start()
model.fit(X, y)
tracker.stop()

結論與效益

AutoML 能在短時間內產出高準確率模型，節省人力成本並快速驗證想法。