数据质量问题会显著影响 AutoML 的结果，因为自动化机器学习系统完全依赖于输入数据来构建模型。 AutoML 工具自动化了诸如特征工程、模型选择和超参数调整之类的任务，但它们无法弥补数据中的基本缺陷。低质量的数据（例如，缺失值、不一致的格式、离群值或不平衡的类别）直接影响 AutoML 生成的模型的准确性、可靠性和泛化能力。例如，如果数据集由于不完整的数据收集而包含有偏差的样本，AutoML 会将该偏差传播到预测中，从而导致模型在现实场景中表现不佳。同样，噪声数据（例如，分类任务中错误标记的图像）可能会误导 AutoML 过程，导致选择次优的特征或架构。
具体的例子说明了这些挑战。考虑一个关键列中缺少值的数据集。 AutoML 工具可能会通过估算平均值或删除行来处理此问题，但如果缺失数据不是随机的（例如，传感器故障导致系统性缺失），则估算的值可能会扭曲模式。在另一种情况下，类别不平衡（如欺诈检测数据集，其中 99% 的交易是合法的）可能会导致 AutoML 优先考虑准确性而不是召回率，从而产生一个模型，该模型会错过大多数欺诈案例。数据泄露是另一个陷阱：如果时间序列数据没有正确分割，AutoML 可能会无意中使用未来数据来预测过去事件，从而创建在生产中失败的过拟合模型。即使是像不一致的日期格式或跨来源的不匹配单位这样的细微问题也可能破坏特征工程步骤，导致无意义的模型输入。
为了减轻这些问题，开发人员应在使用 AutoML 之前优先进行数据质量检查。 这包括验证数据的完整性、删除重复项、解决离群值以及确保类别的平衡表示。诸如 pandas-profiling 之类的工具或自定义脚本可以自动执行基本检查。 对于时间序列任务，基于时间的严格训练-测试分割至关重要。在处理非结构化数据（例如，文本或图像）时，手动验证标签和预处理（调整大小、标准化）至关重要。 AutoML 不能替代数据整理 - 它的优势在于优化模型，而不是修复有缺陷的输入。通过将强大的数据管道与 AutoML 相结合，开发人员可以确保自动化过程从可靠的基础开始，从而最大限度地提高构建有效模型的机会。