AutoML（自动化机器学习）和传统机器学习的主要区别在于它们如何处理构建和部署模型的端到端过程。 AutoML 旨在自动化重复且复杂的任务，例如数据预处理、模型选择和超参数调整，从而减少所需的人工工作量。 另一方面，传统的机器学习依赖于开发人员手动设计管道的每个步骤，从特征工程到模型优化。 例如，使用传统方法的开发人员可能需要花费数天时间来测试诸如随机森林或梯度提升树之类的算法，并调整诸如树深度或学习率之类的参数。 使用 AutoML，诸如 Google 的 AutoML 或 H2O 的 Driverless AI 之类的工具可以自动探索这些选项并选择性能最佳的配置。
工作流程的差异非常显着。 在传统机器学习中，开发人员首先清理数据，进行特征工程（例如，创建交互项或缩放变量），并迭代测试模型。 这需要深厚的统计和算法专业知识。 AutoML 通过自动执行这些步骤来简化此过程。 例如，AutoML 工具可能会应用诸如缺失值插补或单热编码之类的转换而无需手动输入，然后使用诸如贝叶斯优化之类的技术来有效地搜索超参数空间。 诸如 Auto-Sklearn 之类的库使用元学习来根据数据集特征推荐模型。 这使开发人员可以专注于更高级别的任务，例如定义问题或将模型集成到应用程序中，而不是调整参数。 但是，AutoML 可能并不总是像人类专家那样有效地处理特定领域的数据细微差别。
使用案例和权衡也各不相同。 AutoML 非常适合速度或有限的 ML 专业知识是一个因素的场景，例如小型团队构建概念验证原型。 例如，一家初创公司可能会使用 AutoML 快速构建客户流失模型，而无需聘请数据科学家。 传统的机器学习仍然是复杂、高度定制的问题的首选，例如设计用于医学图像分析的新型神经网络架构。 虽然 AutoML 减少了开发时间，但它可能缺乏透明度——用户可能并不完全理解为什么选择特定模型。 此外，AutoML 工具通常具有计算成本（例如，云积分），并且可能不支持小众算法。 开发人员必须权衡这些利弊：AutoML 提供可访问性和效率，而传统方法为专用应用程序提供精细的控制。