English | 简体中文

AutoX是什么？

AutoX是一个高效的自动化机器学习工具。 它的特点包括:

• 效果出色: AutoX在多个kaggle数据集上，效果显著优于其他解决方案(见效果对比)。
• 简单易用: AutoX的接口和sklearn类似，方便上手使用。
• 通用: 适用于分类和回归问题。
• 自动化: 无需人工干预，全自动的数据清洗、特征工程、模型调参等步骤。
• 灵活性: 各组件解耦合，能单独使用，对于自动机器学习效果不满意的地方，可以结合专家知识，AutoX提供灵活的接口。
• 比赛上分点总结：整理并公开历史比赛的上分点。

AutoX包含什么内容

• autox_competition: 主要针对于表格类型的数据挖掘竞赛
• autox_server: 用于上线部署的automl服务
• autox_interpreter: 机器学习可解释功能
• autox_nlp: 对文本列进行处理的自动化工具
• autox_recommend: 推荐系统的自动机器学习
• autox_video: 应用于视频分类任务的自动机器学习框架

加入社区

框架

autox_competition

autox_recommend

autox_video

如何为AutoX贡献

如何为AutoX贡献

目录

• AutoX是什么？
• AutoX包含什么内容
• 加入社区
• 目录
• 安装
• 如何为AutoX贡献
• 快速上手
• 效果对比
• TODO
• 错误排查

安装

github仓库安装

git clone https://github.com/4paradigm/autox.git
pip install ./autox

pip安装

## pip安装包可能更新不及时，建议用github安装方式安装最新版本
!pip install automl-x -i https://www.pypi.org/simple/

快速上手

• autox打比赛
• autox上线部署
• autox可解释
• 特征工程

社区案例

汽车销量预测

比赛案例

见demo文件夹

数据集下载链接：https://pan.baidu.com/s/1p38OuP8_FJp2P_wJwhdFiw?pwd=8mxf

效果对比

不同任务下的效果提升百分比

data_type	对比AutoGluon	对比H2o
binary classification	20.44%	2.98%
regression	37.54%	39.66%
time-series	28.40%	32.46%

详细数据集对比

data_type	single-or-multi	data_name	metric	AutoX	AutoGluon	H2o
binary classification	single-table	Springleaf	auc	0.78865	0.61141	0.78186
binary classification-nlp	single-table	stumbleupon	auc	0.87177	0.81025	0.79039
binary classification	single-table	santander	auc	0.89196	0.64643	0.88775
binary classification	multi-table	IEEE	accuracy	0.920809	0.724925	0.907818
regression	single-table	ventilator	mae	0.755	8.434	4.221
regression	single-table	Allstate Claims Severity	mae	1137.07885	1173.35917	1163.12014
regression	single-table	zhidemai	mse	1.0034	1.9466	1.1927
regression	single-table	Tabular Playground Series - Aug 2021	rmse	7.87731	10.3944	7.8895
regression	single-table	House Prices	rmse	0.13043	0.13104	0.13161
regression	single-table	Restaurant Revenue	rmse	2133204.32146	31913829.59876	28958013.69639
regression	multi-table	Elo Merchant Category Recommendation	rmse	3.72228	3.80801	22.88899
regression-ts	single-table	Demand Forecasting	smape	13.79241	25.39182	18.89678
regression-ts	multi-table	Walmart Recruiting	wmae	4660.99174	5024.16179	5128.31622
regression-ts	multi-table	Rossmann Store Sales	RMSPE	0.13850	0.20453	0.35757
regression-cv	single-table	PetFinder	rmse	20.1327	23.1732	21.0586

AutoX成就

企业支持

比赛获奖

• 2021阿里云基础设施供应链大赛-冠军方案
• kaggle-H&M个性化推荐-金牌方案
• AutoX获得CCF A类会议ACM Multimedia举办的视频分类任务冠军

TODO

功能开发完成后，发布相应的使用demo

• 多分类任务

若有其他希望AutoX支持的功能，欢迎提issue! 欢迎填写用户调研问卷，让AutoX变得更好!

错误排查

错误信息	解决办法

AutoX 快速上手指南

AutoX 是一个高效的自动化机器学习（AutoML）工具，专为表格数据挖掘竞赛及工业级应用设计。它支持全自动的数据清洗、特征工程、模型选择与调参，接口风格类似 sklearn，易于上手，适用于分类和回归任务。

环境准备

• 操作系统：Linux / macOS / Windows
• Python 版本：建议 Python 3.7 - 3.9
• 前置依赖：
  • pip 包管理工具
  • git（用于从 GitHub 克隆源码）
  • 基础科学计算库（安装 AutoX 时会自动安装所需依赖，如 pandas, numpy, scikit-learn 等）

💡 提示：建议使用虚拟环境（如 venv 或 conda）进行隔离安装，避免依赖冲突。

安装步骤

推荐通过 GitHub 源码安装以获取最新版本（PyPI 版本可能更新不及时）。

方式一：GitHub 源码安装（推荐）

git clone https://github.com/4paradigm/autox.git
cd autox
pip install ./autox

方式二：pip 直接安装

pip install automl-x -i https://www.pypi.org/simple/

⚠️ 注意：若需使用最新功能或修复，请优先选择方式一。

基本使用

以下以最常见的表格数据竞赛场景（autox_competition）为例，展示如何快速构建一个自动机器学习模型。

1. 准备数据

假设你有一个训练集 train.csv 和一个测试集 test.csv，其中包含特征列和目标列（例如目标列为 target）。

2. 运行 AutoX

创建一个 Python 脚本（如 run_autox.py），写入以下代码：

from autox.autox_competition import AutoX

# 初始化 AutoX
ax = AutoX()

# 自动执行全流程：数据清洗、特征工程、模型训练与调参
submission = ax.fit_train(
    train='train.csv',
    target='target',
    test='test.csv',
    task_type='classification'  # 或 'regression'
)

# 保存提交文件
submission.to_csv('submission.csv', index=False)

3. 查看结果

运行脚本后，当前目录下将生成 submission.csv 文件，可直接用于 Kaggle 等比赛提交。同时，AutoX 会在输出目录中保存详细的日志、特征重要性分析及模型性能报告。

---

✅ 至此，你已完成 AutoX 的最简流程体验。更多高级用法（如自定义特征工程、模型解释、NLP/视频/推荐模块）请参考各子模块文档。