此页面由 Cloud Translation API 翻译。

AutoML：优势和限制

本部分探讨了 Cloud Storage 的一些优势和限制， AutoML，可帮助您确定 AutoML 是否适合您的项目。

优势

您可以选择使用 AutoML 的一些最常见原因包括：

节省时间：许多人选择使用 AutoML 来节省时间，是避免大量手动实验来找到最佳模型。
提高机器学习模型质量：AutoML 工具可以全面搜索以获得最高质量的模型。
构建机器学习模型时无需具备专业技能：附带效应是实现机器学习的普及。用户无需对机器学习算法或编程有深入了解，开发机器学习模型。
对数据集进行冒烟测试：即使是专家级模型构建人员，AutoML 可快速为您提供基准估算，了解数据集是否有足够的所有噪声。如果 AutoML 工具无法构建平平无奇的工具，那么花时间构建一个良好的模型可能并不值得手动更改。
评估数据集：许多 AutoML 系统不仅可以帮助您评估数据集，也有助于评估输入到模型中的训练这些模型的方法。即使您不使用生成的模型，AutoML 工具可以帮助您确定哪些特征可能不值得并将其包含在最终数据集中。
为了落实最佳做法：自动化功能提供内置支持，方便您采纳每次模型搜索的机器学习最佳实践

但是，在选择 AutoML 之前，您应该考虑一些限制：

模型质量可能不如手动训练。使用通用化的优化算法找到最佳架构组合，超参数和特征工程，这通常意味着积极主动、有充足时间的专家创建出质量更高的模型，预测质量。
模型搜索和复杂性可能是不透明的。有了 AutoML，深入了解该工具如何得出最佳模型。事实上，输出模型本身可能由不同的架构组成，超参数和特征工程策略。使用 AutoML 很难手动重现。
多次 AutoML 运行可能会显示更大的方差：由于优化算法以迭代方式找出其认为的最佳值不同的 AutoML 运行可能会搜索模型的不同部分，并适度（甚至可能显著）结束不同位置。使用 AutoML 进行重新调整以创建新的模型架构与简单地重新训练上一个输出模型相比，差异可能更大架构。
模型在训练期间无法自定义。如果您的用例需要自定义或调整，AutoML 可能并不是适合您的选择。

无论您是使用自定义训练还是 AutoML 系统，您都可以从零开始构建模型时需要考虑的一点是，数据量。AutoML 的优势在于，您大多可以忽略架构和超参数搜索并主要关注数据。

还有一些专门的 AutoML 系统可以使用会显著减少数据 迁移学习。对于而无需使用数十万个样本来构建一个图片分类模型，那么这些专门的 AutoML 系统只能使用数百张已加标签的图片以及从现有图片中图片分类框架模型。

AutoML 可以帮助任何人（从新手到专家）使用机器学习来构建产品和解决问题。如果您想确定 AutoML 是否适合您的项目，请考虑以下权衡因素：

如果团队在机器学习构建方面经验有限，AutoML 是理想之选希望提高工作效率并拥有丰富的经验的团队则没有自定义要求
如果模型质量较高，选择自定义（手动）训练更为合适。团队需要能够自定义他们的模型。在这些手动训练可能需要更多时间进行实验和构建解决方案，但团队通常可以实现质量更高的模型，与 AutoML 解决方案相比。