AutoML 系统自动执行几个关键的预处理步骤，以准备用于机器学习模型的数据。这些工具处理重复且耗时的任务，使开发人员能够专注于更高级别的决策。主要自动化的预处理技术包括数据清理、特征工程和数据转换，每种技术都解决了原始数据中的特定挑战。
首先，AutoML 工具通过处理缺失值、异常值和不一致的格式来自动化数据清理。 例如，缺失的数值可能使用均值或中位数插补法填充，而分类缺失数据可以用占位符（例如“未知”）替换。 使用四分位距 (IQR) 或 Z 分数等方法检测异常值，并将其上限化或删除。 AutoML 还可以标准化不一致的数据格式，例如将日期字符串转换为统一的日期时间格式，或更正分类变量中的拼写错误。 例如，“纽约”和“NY”之类的条目可能会映射到单个标准化值。 这些步骤确保数据集的一致性，并减少模型训练前的噪声。
接下来，自动特征工程简化了创建有意义的输入特征。 这包括对分类变量进行编码（例如，对低基数特征进行 one-hot 编码，或对高基数类别进行目标编码），缩放数值特征（例如，标准化或最小-最大缩放），以及生成派生特征，例如多项式项或交互特征。 例如，日期列可能会拆分为“星期几”或“月份”特征。 AutoML 工具还通过对句子进行标记化、删除停用词或应用 TF-IDF 向量化来处理文本数据。 像 PCA 这样的降维技术可以用来减少特征数量，同时保留信息。 这些步骤优化了特征集以提高模型性能，而无需手动干预。
最后，AutoML 管理数据拆分和平衡。 它自动将数据划分为训练集、验证集和测试集，通常使用分层抽样来维持分类任务中的类别分布。 对于不平衡的数据集，应用 SMOTE（合成少数类过采样）或随机欠采样等技术。 时间序列数据可以按时间顺序拆分以防止泄漏。 AutoML 还可以将预处理集成到可重复的管道中，确保在训练和推理期间始终如一地应用转换。 例如，管道可能会根据训练数据统计信息缩放特征，以避免数据泄漏。 通过自动化这些步骤，AutoML 减少了人为错误，并确保预处理符合最佳实践。