AutoML 可以推荐最佳数据集分割吗？ 是的，AutoML 工具可以推荐数据集分割，但它们的有效性取决于工具的设计和问题的要求。 AutoML 系统通过应用标准化策略（通常带有可配置的参数）来自动执行将数据分割为训练集、验证集和测试集的过程。 例如，许多框架默认将 80/20 分割用于训练和验证，或将 70/20/10 分割用于训练、验证和测试。 这些分割旨在确保模型能够很好地推广到未见过的数据，同时避免过度拟合。 一些工具还会检测数据特征（例如，类别不平衡）并相应地调整分割——例如，使用分层抽样来维持子集之间的类别分布。 然而，“最佳”分割是依赖于上下文的，并且 AutoML 的推荐可能并不总是与特定领域的需要相一致，除非进行自定义。
AutoML 在实践中如何处理分割 像 Google 的 Vertex AI、H2O 或 Auto-Sklearn 这样的 AutoML 平台通常包含用于数据集分割的内置逻辑。 例如，时间序列数据可能需要按时间顺序分割，以防止未来的数据泄露到训练中。 AutoML 工具可以自动检测时间列并按顺序分割数据（例如，使用前 80% 的日期进行训练）。 类似地，对于类别不平衡的分类任务，像 TPOT 或 DataRobot 这样的工具可能默认应用分层抽样。 开发人员通常可以通过指定自定义比例或提供预定义的分割索引来覆盖这些默认设置。 交叉验证（一种将数据分割成多个折叠以进行重复训练和验证的技术）是 PyCaret 等 AutoML 工具中的另一项功能，可以减少性能估计的差异。 然而，这些自动化方法假设数据具有代表性并且缺乏隐藏的偏差，但情况并非总是如此。
局限性和何时进行干预 虽然 AutoML 简化了分割，但它可能无法很好地处理边缘情况。 例如，如果数据包含分组记录（例如，具有多个样本的医疗患者），则随机分割可能会在训练集和验证集之间泄露患者特定的模式。 在这里，除非明确配置，否则 AutoML 可能不会自动检测到需要基于组的分割。 类似地，在小型数据集中，严格的训练/验证/测试分割可能会留下不足的数据来进行有意义的训练，从而需要像嵌套交叉验证这样的技术——一些 AutoML 工具会跳过这一步。 开发人员应该通过检查数据泄露、类别分布不匹配或时间不对齐来验证 AutoML 的分割建议。 像 Kaggle 的 AutoML 或 Azure 机器学习这样的工具提供日志来审计分割是如何创建的，从而可以进行手动调整。 总之，AutoML 为分割提供了一个强大的起点，但在复杂的场景中需要监督以确保稳健性。