- Autogluon简介

Autogluon 是由阿里巴巴集团开源的一款自动化机器学习工具库，它基于 Apache MXNet 构建。Autogluon 的目标是提供一种简单且高效的方式来解决机器学习问题，特别是对于那些没有深厚机器学习背景的用户。它通过自动化处理数据预处理、特征工程、模型选择、超参数调整等步骤，使得机器学习模型的训练和应用变得更加容易和高效。

-主要用途

• 1.自动化模型选择：Autogluon 可以自动选择最适合当前数据集的机器学习模型，包括传统的机器学习模型和深度学习模型。

• 2.自动化特征工程：它能够自动识别和生成有用的特征，以提高模型的性能

• 3.超参数优化：Autogluon 可以自动调整模型的超参数，以获得最佳的性能

• 4.集成学习：它支持集成学习，可以将多个模型的预测结果进行融合，以提高预测的准确性和稳定性

• 5.并行计算：Autogluon 支持并行计算，可以利用多核处理器或分布式计算环境加速模型训练

• 6.易于使用：Autogluon 提供了简单的 API 和命令行界面，使得用户可以轻松地使用它来解决机器学习问题

下面教大家怎么安装

可以使用conda安装的管理python环境
这里使用极简版miniconda3：（附下载地址与下载注意事项）
https://blog.csdn.net/weixin_43828245/article/details/124768518
建议下载3.7-3.9版本miniconda3-python，否则会导致后续出错 （亲身经历😭）

如果本身就有miniconda3不过python-version不是3.7-3.9也可以用命令conda create -n py39_env python=3.9等来创建环境

• 步骤1--搭建Pytorch_CPU（可选）
  1.在anaconda里输入命令

  命令如下，这里使用的Python的版本为3.9：
  conda create -n PyTorch_cpu python=3.9

  构建好虚拟环境后通过命令conda activate Pytorch_cpu来进入该虚拟环境：
  conda activate Pytorch_cpu

  搭建cpu加速，方便后续下载

  2.Pytorch_CPU安装和配置
  下面我们进入到PyTorch的官网：https://pytorch.org/
  
  点击Get Started，进入后按照如下选择（只针对windows系统、pip安装、Python版本、无GPU的情况，如有其它需要则应该选择相应的
  
  下面已经自动生成了一句安装PyTorch和torchvision的命令，查看一下版本无误的话就复制这条命令并粘贴到prompt命令窗口中：
  
  这边是已经安装过了所以没有下载安装的过程，第一次安装会需要下载并安装，过程可能会很慢，这里建议换成国内的镜像源的快速度会得到飞速的提升。

  以上如果没有问题的话则已经安装好了cpu版的PyTorch，这时我们可以测试一下是否安装正确：

  最后我们较好使用PyTorch的IDE是pycharm，所以还需要在pycharm上设置一下解释器：
  这一步留给自己探索吧 （其实是懒了）
  附上可能用到的教程：https://blog.csdn.net/qq_38473254/article/details/132302229

• 步骤2--安装Autogluon（必须）
  在anaconda里面输入命令即可：pip install autogluon
  如果前面安装了pytorch_CPU,可以选择加速节省下载时间，命令如下：conda activate Pytorch_cpu
  估计要下载几分钟左右....
  安装完成的界面：
  

• 步骤3--安装Jupter（必须）
  命令：pip install jupyter

• 步骤4--运行Jupter notebook（必须）
  命令：jupyter notebook
  之后会弹出网页
  
  我们在官网上随便找个例子运行一下：
  from autogluon.tabular import TabularDataset, TabularPredictor

  data_root = 'https://autogluon.s3.amazonaws.com/datasets/Inc/'
  train_data = TabularDataset(data_root + 'train.csv')
  test_data = TabularDataset(data_root + 'test.csv')

  predictor = TabularPredictor(label='class').fit(train_data=train_data)
  predictions = predictor.predict(test_data)
  
  
  
  这样，就完成了基本操作，接下来的东西以后再讲吧~😉