是的，AutoML 可以处理分层分类问题，但其有效性取决于框架和具体实现。分层分类涉及将类别组织成树状结构，其中父类别包含更通用的标签，子类别代表更精细的子类。 例如，对文档进行分类可能涉及顶级的“科学”类别，以及诸如“生物学”和“物理学”之类的子节点，以及诸如“遗传学”或“量子力学”之类的进一步细分。 支持分层分类的 AutoML 工具通常允许用户通过带有父子关系的标记数据集或映射层次结构的配置设置来显式定义此结构。
可以通过构建目标标签来反映层次结构，从而使诸如 Google 的 Vertex AI、H2O Driverless AI 和 Auto-Sklearn 之类的 AutoML 框架适应于分层分类。 例如，在 Vertex AI 中，您可以在训练自定义模型时定义分层架构，从而确保预测尊重父子关系。 这些工具通常会自动执行关键步骤，例如特征工程、算法选择和超参数调整，同时将层次结构合并到模型的逻辑中。 例如，基于决策树的 AutoML 系统可能会优先考虑与分层结构对齐的分割，或者神经网络可能会使用一种损失函数，当预测偏离更高级别的类别时，会更重地惩罚错误。 这种自动化减少了从头开始设计分层模型所需的手动工作。
但是，存在局限性。 并非所有 AutoML 平台都原生支持分层分类，并且有些可能需要解决方法，例如将层次结构展平为单独的二元分类器或手动进行后处理输出。 此外，由于其复杂性，分层模型的计算成本可能很高，这可能会给 AutoML 的自动化资源管理带来压力。 开发人员应验证其选择的 AutoML 工具是否明确支持分层标签，并评估自动化管道是否充分捕获父类和子类之间的依赖关系。 例如，如果医疗诊断系统按层次结构对疾病进行分类（例如，“传染病”→“病毒性”→“COVID-19”），则该模型必须确保在未首先确认父类别的情况下不会发生对“COVID-19”的预测。 使用真实数据进行测试对于确保在实践中强制执行层次结构至关重要。