​

•  尽量不需要人的帮助下，对输入进行特征提取，选取适合的机器学习模型对它进行训练】。
• 大部分基于超参数搜索技术【从数十或者数百个参数中选取一个合适的参数，媲美人工调参的结果】。

• Autogluon的设计与大部分的automl设计思路不一样，因为超参数的搜索，通常需要经过数十或者数百次的训练（也就是epoch），autogluon想尽量避免超参数的搜索，可以在相同的时间内训练多个不一样的模型。如果说三个臭皮匠顶一个诸葛亮的话，autogluon可以训练数十个臭皮匠模型，希望可以打败诸葛亮。

AutoGluon如何融合这些模型？

1.stacking（不同算法的集成学习）

        在同样的数据上，训练多个不同模型。这些模型可以是简单的树模型（KNN）,核方法或者是复杂的神经网络。这些输出最终输入到线性模型里面，最终得到最终的输出。

对这些输出做加权和，这些权重是训练得到的。这就是使用fit函数时，默认使用的模型融合方法，大家可以通过训练打印的信息，获得loadboard这个方法查看具体具体尝试了哪些模型。

2.K-则交叉bagging（同种算法的集成学习）

•  训练多个同类别的模型【所使用算法是一样的】，bagginig是指使用同类别的模型，他们使用不同的初始化权重，获得不同的数据块的平均，来降低预测的方差。
• K折交叉bagging源自于K折交叉验证，这里我们用3折交叉验证来举例，我们将数据分成三块，在第一折里，前两块，做训练，最后一块做预测。

最后对三个模型的预测结果取平均得到最终预测结果。

最后大家可以阅读autogluon论文来了解更多地的细节。

​