AutoML（自动化机器学习）平台可以生成各种机器学习模型，这些模型是为不同类型的数据和问题场景量身定制的。 这些模型通常分为三大类：监督学习模型、无监督学习模型和用于时间序列预测或自然语言处理 (NLP) 等任务的专用模型。 AutoML 工具可以自动执行特征工程、算法选择和超参数调整等步骤，使开发人员能够更轻松地部署模型，而无需深入了解每个技术细节。
对于监督学习，AutoML 通常生成分类和回归模型。 分类模型预测离散标签，例如识别垃圾邮件或对图像进行分类。 示例包括逻辑回归、决策树或神经网络。 回归模型预测连续数值，例如估计房价或预测销售额。 AutoML 可能会使用线性回归、梯度提升树（例如，XGBoost）或支持向量机等算法，具体取决于数据。 例如，开发人员可以使用 AutoML 构建一个通过分析历史用户行为来预测客户流失的模型，该工具会自动测试多种算法以找到最佳拟合。
在无监督学习中，AutoML 通常创建聚类或降维模型。 聚类算法对相似的数据点进行分组，例如使用 K-means 或分层聚类等方法根据购买习惯对客户进行细分。 像主成分分析 (PCA) 或 t-SNE 这样的降维技术有助于简化复杂的数据集，以便于可视化或预处理。 例如，AutoML 工具可能会分析用户交互数据集，并自动生成客户细分，以便进行有针对性的营销。 此外，AutoML 还可以处理专门的任务，例如时间序列预测（例如，使用 ARIMA 或 LSTM 模型预测股票价格）或 NLP 任务，例如使用预训练的语言模型（例如，BERT）进行情感分析。 开发人员可以利用这一点来构建一个可以对用户意图进行分类的聊天机器人，而无需手动调整 Transformer 架构。 通过抽象复杂性，AutoML 使开发人员能够专注于将模型集成到应用程序中，而不是构建模型的复杂性。