AutoML（自动化机器学习）通过自动执行准备原始数据以供机器学习模型使用的重复且耗时的任务，从而简化了数据预处理。数据预处理至关重要，因为原始数据通常包含缺失值、不一致或不兼容的格式，这些都会降低模型性能。 AutoML 工具处理诸如估算缺失值、缩放数值特征、编码类别变量和检测异常值之类的任务。例如，AutoML 系统可能会根据数据分布自动决定是使用平均值、中位数还是更高级的方法（如 k 最近邻）来填充数据集中的缺失值。这减少了手动工作量并确保了一致性，尤其是在处理大型或复杂数据集时。
AutoML 在预处理中的一个关键优势是它能够应用上下文感知的转换。例如，在处理分类数据时，AutoML 工具可能会测试不同的编码策略（例如，对于低基数特征使用 one-hot 编码，对于高基数特征使用目标编码），并选择优化模型性能的方法。同样，数值特征可以使用标准化（z 分数）或归一化（min-max）进行缩放，具体取决于所使用的算法。像 H2O 或 Google 的 Vertex AI 这样的 AutoML 框架通常包括内置的特征工程步骤，例如生成交互项或多项式特征。这些自动化决策通常由预定义的管道或超参数优化指导，确保预处理与模型的要求保持一致，而无需开发人员手动编码每个步骤。
但是，AutoML 的预处理也存在局限性。虽然它可以很好地处理常见场景，但仍然可能需要特定领域的知识。例如，如果数据集包含时间戳，AutoML 工具可能会提取诸如“小时”或“星期几”之类的基本特征，但开发人员可能需要手动设计更细致的特征，例如“自上次事件以来的时间”。同样，AutoML 可能无法检测到细微的数据问题，例如来自未来数据的泄漏或有偏差的采样。开发人员应该审查自动预处理步骤，以验证选择并在需要时调整配置。 AutoML 加速了预处理，但并没有消除人工监督的需求——尤其是在需要领域专业知识或超出标准工作流程的自定义转换的情况下。