前言¶

在处理表格数据时，选模型、调参往往要反复试错：试几种算法，调整超参数，看指标再改。对新手来说，这一步容易卡住；对有经验者来说，时间成本也不低。AutoML自动机器学习通过自动化实验流程，把这一过程从人工迭代变成可配置的运行。

是什么¶

AutoML自动机器学习是一个用于结构化/表格数据的自动化机器学习优化 Skill。它运行一个迭代实验循环：数据分析 → 模型选择 → 超参数调优 → 评估 → 决策。支持在 CPU 上运行多种梯度提升树类模型。由社区用户 user_b09806db 发布，分类为 data-analysis，版本 1.0.1。

核心功能¶

• 自动化实验流程：按顺序执行数据探索、模型选择、超参数调优、评估与决策
• 模型支持：RandomForest、XGBoost、LightGBM、CatBoost、GBDT、ExtraTrees、HistGB（均在 CPU）
• 使用场景覆盖：表格数据模型优化、超参数自动调优、分类/回归任务的最优配置查找、自动化 ML 实验运行

安装与启用¶

Skill 位于 @user_b09806db/automl。在支持 SkillHub 的客户端中，通过以下方式启用：

# 在客户端中加载 Skill
@user_b09806db/automl

（具体安装命令取决于当前使用的 SkillHub 客户端，请以客户端文档为准。）

典型用法¶

当需要优化表格数据的分类或回归模型时，可使用 AutoML 自动完成实验流程。官方给出的触发关键词包括：automl、auto ml、optimize model、tune model、hyperparameter tuning、model optimization、find best model、ML experiment、auto train。

使用时，向客户端输入上述任意关键词，即可启动自动化的模型选择与调优流程。

适用场景与注意¶

适合需要快速搭建或优化表格数据机器学习模型，且希望减少人工调参负担的场景。模型仅支持 CPU 运行，且为梯度提升树系列（RandomForest、XGBoost、LightGBM、CatBoost、GBDT、ExtraTrees、HistGB）。需确保输入数据为结构化表格格式，否则可能影响实验结果。

结尾¶

AutoML自动机器学习通过自动化的实验流程，降低模型优化门槛，适合需要高效处理表格数据的开发者与数据分析师。