[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-4paradigm--AutoX":3,"tool-4paradigm--AutoX":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159636,2,"2026-04-17T23:33:34",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":32,"env_os":106,"env_gpu":107,"env_ram":107,"env_deps":108,"category_tags":111,"github_topics":112,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":159},8791,"4paradigm\u002FAutoX","AutoX","AutoX is an efficient automl tool, which is mainly aimed at data mining tasks with tabular data.","AutoX 是一款高效的自动化机器学习（AutoML）开源工具，专为处理表格数据的数据挖掘任务而设计。它旨在解决传统机器学习中繁琐且耗时的问题，能够全自动完成数据清洗、特征工程、模型选择及超参数调优等关键步骤，无需人工干预即可产出高质量模型。\n\nAutoX 非常适合数据科学家、算法工程师以及希望快速构建基线模型的开发者使用。其接口设计模仿了流行的 sklearn 库，上手简单直观；同时具备高度灵活性，各组件解耦，允许用户在自动化流程中融入专家知识进行定制优化。除了基础的分类与回归任务，AutoX 还独特地提供了针对文本、视频、推荐系统等多种场景的专用模块，并内置了模型可解释性工具，帮助用户理解模型决策逻辑。\n\n在性能方面，AutoX 在多个 Kaggle 公开数据集上的表现显著优于 AutoGluon 和 H2O 等主流方案，尤其在回归和时间序列预测任务上提升明显。此外，项目团队还整理了历史竞赛的提分技巧供社区参考。无论是参加数据竞赛、进行业务建模还是部署生产服务，AutoX 都能提供强大且灵活的支持，帮助用户大幅提升工作效率。","[English](.\u002FREADME_EN.md) | 简体中文\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_readme_287a47f2cdbc.png\" width = \"1500\" alt=\"logo\" align=center \u002F>\n\n# AutoX是什么？\nAutoX一个高效的自动化机器学习工具。\n它的特点包括:\n- 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](#效果对比))。\n- 简单易用: AutoX的接口和sklearn类似，方便上手使用。\n- 通用: 适用于分类和回归问题。\n- 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。\n- 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。\n- 比赛上分点总结：整理并公开历史比赛的上分点。\n\n# AutoX包含什么内容\n- [autox_competition](autox\u002Fautox_competition\u002FREADME.md): 主要针对于表格类型的数据挖掘竞赛\n- [autox_server](autox\u002Fautox_server\u002FREADME.md): 用于上线部署的automl服务\n- [autox_interpreter](autox\u002Fautox_interpreter\u002FREADME.md): 机器学习可解释功能\n- [autox_nlp](autox\u002Fautox_nlp\u002FREADME.md): 对文本列进行处理的自动化工具\n- [autox_recommend](autox\u002Fautox_recommend\u002FREADME.md): 推荐系统的自动机器学习\n- [autox_video](autox\u002Fautox_video\u002FREADME.md): 应用于视频分类任务的自动机器学习框架\n\n# 加入社区\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_readme_083f6f87d1f9.png\" width = \"200\" height = \"260\" alt=\"AutoX社区\" align=center \u002F>\n\n# 框架\n## autox_competition\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_readme_12d96ab65155.png\" alt=\"autox_competition framework\" align=center \u002F>\n\n## autox_recommend\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_readme_0f124cd34121.png\" alt=\"autox_recommend framework\" align=center \u002F>\n\n## autox_video\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_readme_b932cf489e38.png\" alt=\"autox_video framework\" align=center \u002F>\n\n# 如何为AutoX贡献\n[如何为AutoX贡献](.\u002Fhow_to_contribute.md)\n\n# 目录\n\u003C!-- TOC -->\n\n- [AutoX是什么？](#AutoX是什么？)\n- [AutoX包含什么内容](#AutoX包含什么内容)\n- [加入社区](#加入社区)\n- [目录](#目录)\n- [安装](#安装)\n- [如何为AutoX贡献](#如何为AutoX贡献)\n- [快速上手](#快速上手)\n- [效果对比](#效果对比)\n- [TODO](#TODO)\n- [错误排查](#错误排查)\n\n\u003C!-- \u002FTOC -->\n# 安装\n\n### github仓库安装\n```\ngit clone https:\u002F\u002Fgithub.com\u002F4paradigm\u002Fautox.git\npip install .\u002Fautox\n```\n\n### pip安装\n```\n## 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\n!pip install automl-x -i https:\u002F\u002Fwww.pypi.org\u002Fsimple\u002F\n```\n\n# 快速上手\n- [autox打比赛](autox\u002Fautox_competition\u002FREADME.md)\n- [autox上线部署](autox\u002Fautox_server\u002FREADME.md)\n- [autox可解释](autox\u002Fautox_interpreter\u002FREADME.md)\n- [特征工程](autox\u002Fautox_competition\u002Ffeature_engineer\u002FREADME.md)\n\n# 社区案例\n[汽车销量预测](.\u002Fdemo\u002F汽车销量预测\u002FREADME.md)\n\n# 比赛案例\n见demo文件夹\n\n数据集下载链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1p38OuP8_FJp2P_wJwhdFiw?pwd=8mxf\n# 效果对比\n## 不同任务下的效果提升百分比\n|data_type | 对比AutoGluon | 对比H2o |\n|----- | ------------- | ----------- |\n|binary classification | 20.44% | 2.98% |\n|regression | 37.54% | 39.66% |\n|time-series | 28.40% | 32.46% |\n\n## 详细数据集对比\n|data_type | single-or-multi | data_name | metric | AutoX | AutoGluon | H2o |\n|----- | ------------- | ----------- |---------------- |---------------- | ----------------|----------------|\n|binary classification | single-table | [Springleaf](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fspringleaf-marketing-response\u002F)  | auc | 0.78865 | 0.61141 | 0.78186 |\n|binary classification-nlp | single-table |[stumbleupon](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fstumbleupon\u002F)  | auc | 0.87177 | 0.81025 | 0.79039 |\n|binary classification | single-table |[santander](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fsantander-customer-transaction-prediction\u002F)  | auc | 0.89196 | 0.64643 | 0.88775 |\n|binary classification | multi-table |[IEEE](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fieee-fraud-detection\u002F)  | accuracy | 0.920809 | 0.724925 | 0.907818 |\n|regression | single-table |[ventilator](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fventilator-pressure-prediction\u002F)  | mae | 0.755 | 8.434 | 4.221 |\n|regression | single-table |[Allstate Claims Severity](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fallstate-claims-severity)| mae | 1137.07885 | 1173.35917 | 1163.12014 |\n|regression | single-table |[zhidemai](https:\u002F\u002Fwww.automl.ai\u002Fcompetitions\u002F19)   | mse | 1.0034 | 1.9466 | 1.1927|\n|regression | single-table |[Tabular Playground Series - Aug 2021](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Ftabular-playground-series-aug-2021) | rmse | 7.87731 | 10.3944 | 7.8895|\n|regression | single-table |[House Prices](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fhouse-prices-advanced-regression-techniques\u002F)  | rmse | 0.13043 | 0.13104 | 0.13161 |\n|regression | single-table |[Restaurant Revenue](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Frestaurant-revenue-prediction\u002F)| rmse | 2133204.32146 | 31913829.59876 | 28958013.69639 |\n|regression | multi-table  |[Elo Merchant Category Recommendation](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Felo-merchant-category-recommendation\u002F)| rmse | 3.72228 | 3.80801 | 22.88899 |\n|regression-ts | single-table  |[Demand Forecasting](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fdemand-forecasting-kernels-only\u002F)| smape | 13.79241 | 25.39182 | 18.89678 |\n|regression-ts | multi-table  |[Walmart Recruiting](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fwalmart-recruiting-store-sales-forecasting\u002F)| wmae | 4660.99174 | 5024.16179 | 5128.31622 |\n|regression-ts | multi-table  |[Rossmann Store Sales](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Frossmann-store-sales\u002F)| RMSPE | 0.13850 | 0.20453 | 0.35757 |\n|regression-cv | single-table |[PetFinder](https:\u002F\u002Fwww.kaggle.com\u002Fcompetitions\u002Fpetfinder-pawpularity-score\u002Foverview\u002F)  | rmse | 20.1327 | 23.1732 | 21.0586 |\n\n# AutoX成就\n### 企业支持\n\n### 比赛获奖\n- [2021阿里云基础设施供应链大赛-冠军方案](https:\u002F\u002Ftianchi.aliyun.com\u002Fforum\u002FpostDetail?postId=344505)\n- [kaggle-H&M个性化推荐-金牌方案](https:\u002F\u002Fwww.kaggle.com\u002Fcompetitions\u002Fh-and-m-personalized-fashion-recommendations\u002Fdiscussion\u002F324158)\n- [AutoX获得CCF A类会议ACM Multimedia举办的视频分类任务冠军](http:\u002F\u002Fauto-video-captions.top\u002F2022\u002Fleaderboard)\n\n\n# TODO\n功能开发完成后，发布相应的使用demo\n- [ ] 多分类任务\n\n若有其他希望AutoX支持的功能，欢迎提issue!\n欢迎填写[用户调研问卷](https:\u002F\u002Fwww.wjx.cn\u002Fvj\u002FYOwSFHN.aspx)，让AutoX变得更好!\n\n## 错误排查\n|错误信息|解决办法|\n|------|------|\n","[English](.\u002FREADME_EN.md) | 简体中文\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_readme_287a47f2cdbc.png\" width = \"1500\" alt=\"logo\" align=center \u002F>\n\n# AutoX是什么？\nAutoX是一个高效的自动化机器学习工具。\n它的特点包括:\n- 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](#效果对比))。\n- 简单易用: AutoX的接口和sklearn类似，方便上手使用。\n- 通用: 适用于分类和回归问题。\n- 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。\n- 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。\n- 比赛上分点总结：整理并公开历史比赛的上分点。\n\n# AutoX包含什么内容\n- [autox_competition](autox\u002Fautox_competition\u002FREADME.md): 主要针对于表格类型的数据挖掘竞赛\n- [autox_server](autox\u002Fautox_server\u002FREADME.md): 用于上线部署的automl服务\n- [autox_interpreter](autox\u002Fautox_interpreter\u002FREADME.md): 机器学习可解释功能\n- [autox_nlp](autox\u002Fautox_nlp\u002FREADME.md): 对文本列进行处理的自动化工具\n- [autox_recommend](autox\u002Fautox_recommend\u002FREADME.md): 推荐系统的自动机器学习\n- [autox_video](autox\u002Fautox_video\u002FREADME.md): 应用于视频分类任务的自动机器学习框架\n\n# 加入社区\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_readme_083f6f87d1f9.png\" width = \"200\" height = \"260\" alt=\"AutoX社区\" align=center \u002F>\n\n# 框架\n## autox_competition\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_readme_12d96ab65155.png\" alt=\"autox_competition framework\" align=center \u002F>\n\n## autox_recommend\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_readme_0f124cd34121.png\" alt=\"autox_recommend framework\" align=center \u002F>\n\n## autox_video\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_readme_b932cf489e38.png\" alt=\"autox_video framework\" align=center \u002F>\n\n# 如何为AutoX贡献\n[如何为AutoX贡献](.\u002Fhow_to_contribute.md)\n\n# 目录\n\u003C!-- TOC -->\n\n- [AutoX是什么？](#AutoX是什么？)\n- [AutoX包含什么内容](#AutoX包含什么内容)\n- [加入社区](#加入社区)\n- [目录](#目录)\n- [安装](#安装)\n- [如何为AutoX贡献](#如何为AutoX贡献)\n- [快速上手](#快速上手)\n- [效果对比](#效果对比)\n- [TODO](#TODO)\n- [错误排查](#错误排查)\n\n\u003C!-- \u002FTOC -->\n# 安装\n\n### github仓库安装\n```\ngit clone https:\u002F\u002Fgithub.com\u002F4paradigm\u002Fautox.git\npip install .\u002Fautox\n```\n\n### pip安装\n```\n## 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\n!pip install automl-x -i https:\u002F\u002Fwww.pypi.org\u002Fsimple\u002F\n```\n\n# 快速上手\n- [autox打比赛](autox\u002Fautox_competition\u002FREADME.md)\n- [autox上线部署](autox\u002Fautox_server\u002FREADME.md)\n- [autox可解释](autox\u002Fautox_interpreter\u002FREADME.md)\n- [特征工程](autox\u002Fautox_competition\u002Ffeature_engineer\u002FREADME.md)\n\n# 社区案例\n[汽车销量预测](.\u002Fdemo\u002F汽车销量预测\u002FREADME.md)\n\n# 比赛案例\n见demo文件夹\n\n数据集下载链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1p38OuP8_FJp2P_wJwhdFiw?pwd=8mxf\n# 效果对比\n## 不同任务下的效果提升百分比\n|data_type | 对比AutoGluon | 对比H2o |\n|----- | ------------- | ----------- |\n|binary classification | 20.44% | 2.98% |\n|regression | 37.54% | 39.66% |\n|time-series | 28.40% | 32.46% |\n\n## 详细数据集对比\n|data_type | single-or-multi | data_name | metric | AutoX | AutoGluon | H2o |\n|----- | ------------- | ----------- |---------------- |---------------- | ----------------|----------------|\n|binary classification | single-table | [Springleaf](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fspringleaf-marketing-response\u002F)  | auc | 0.78865 | 0.61141 | 0.78186 |\n|binary classification-nlp | single-table |[stumbleupon](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fstumbleupon\u002F)  | auc | 0.87177 | 0.81025 | 0.79039 |\n|binary classification | single-table |[santander](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fsantander-customer-transaction-prediction\u002F)  | auc | 0.89196 | 0.64643 | 0.88775 |\n|binary classification | multi-table |[IEEE](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fieee-fraud-detection\u002F)  | accuracy | 0.920809 | 0.724925 | 0.907818 |\n|regression | single-table |[ventilator](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fventilator-pressure-prediction\u002F)  | mae | 0.755 | 8.434 | 4.221 |\n|regression | single-table |[Allstate Claims Severity](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fallstate-claims-severity)| mae | 1137.07885 | 1173.35917 | 1163.12014 |\n|regression | single-table |[zhidemai](https:\u002F\u002Fwww.automl.ai\u002Fcompetitions\u002F19)   | mse | 1.0034 | 1.9466 | 1.1927|\n|regression | single-table |[Tabular Playground Series - Aug 2021](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Ftabular-playground-series-aug-2021) | rmse | 7.87731 | 10.3944 | 7.8895|\n|regression | single-table |[House Prices](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fhouse-prices-advanced-regression-techniques\u002F)  | rmse | 0.13043 | 0.13104 | 0.13161 |\n|regression | single-table |[Restaurant Revenue](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Frestaurant-revenue-prediction\u002F)| rmse | 2133204.32146 | 31913829.59876 | 28958013.69639 |\n|regression | multi-table  |[Elo Merchant Category Recommendation](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Felo-merchant-category-recommendation\u002F)| rmse | 3.72228 | 3.80801 | 22.88899 |\n|regression-ts | single-table  |[Demand Forecasting](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fdemand-forecasting-kernels-only\u002F)| smape | 13.79241 | 25.39182 | 18.89678 |\n|regression-ts | multi-table  |[Walmart Recruiting](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fwalmart-recruiting-store-sales-forecasting\u002F)| wmae | 4660.99174 | 5024.16179 | 5128.31622 |\n|regression-ts | multi-table  |[Rossmann Store Sales](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Frossmann-store-sales\u002F)| RMSPE | 0.13850 | 0.20453 | 0.35757 |\n|regression-cv | single-table |[PetFinder](https:\u002F\u002Fwww.kaggle.com\u002Fcompetitions\u002Fpetfinder-pawpularity-score\u002Foverview\u002F)  | rmse | 20.1327 | 23.1732 | 21.0586 |\n\n# AutoX成就\n### 企业支持\n\n### 比赛获奖\n- [2021阿里云基础设施供应链大赛-冠军方案](https:\u002F\u002Ftianchi.aliyun.com\u002Fforum\u002FpostDetail?postId=344505)\n- [kaggle-H&M个性化推荐-金牌方案](https:\u002F\u002Fwww.kaggle.com\u002Fcompetitions\u002Fh-and-m-personalized-fashion-recommendations\u002Fdiscussion\u002F324158)\n- [AutoX获得CCF A类会议ACM Multimedia举办的视频分类任务冠军](http:\u002F\u002Fauto-video-captions.top\u002F2022\u002Fleaderboard)\n\n\n# TODO\n功能开发完成后，发布相应的使用demo\n- [ ] 多分类任务\n\n若有其他希望AutoX支持的功能，欢迎提issue!\n欢迎填写[用户调研问卷](https:\u002F\u002Fwww.wjx.cn\u002Fvj\u002FYOwSFHN.aspx)，让AutoX变得更好!\n\n## 错误排查\n|错误信息|解决办法|\n|------|------|","# AutoX 快速上手指南\n\nAutoX 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。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：建议 Python 3.7 - 3.9\n- **前置依赖**：\n  - `pip` 包管理工具\n  - `git`（用于从 GitHub 克隆源码）\n  - 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）\n\n> 💡 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。\n\n## 安装步骤\n\n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）。\n\n### 方式一：GitHub 源码安装（推荐）\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002F4paradigm\u002Fautox.git\ncd autox\npip install .\u002Fautox\n```\n\n### 方式二：pip 直接安装\n\n```bash\npip install automl-x -i https:\u002F\u002Fwww.pypi.org\u002Fsimple\u002F\n```\n\n> ⚠️ 注意：若需使用最新功能或修复，请优先选择方式一。\n\n## 基本使用\n\n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。\n\n### 1. 准备数据\n\n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`）。\n\n### 2. 运行 AutoX\n\n创建一个 Python 脚本（如 `run_autox.py`），写入以下代码：\n\n```python\nfrom autox.autox_competition import AutoX\n\n# 初始化 AutoX\nax = AutoX()\n\n# 自动执行全流程：数据清洗、特征工程、模型训练与调参\nsubmission = ax.fit_train(\n    train='train.csv',\n    target='target',\n    test='test.csv',\n    task_type='classification'  # 或 'regression'\n)\n\n# 保存提交文件\nsubmission.to_csv('submission.csv', index=False)\n```\n\n### 3. 查看结果\n\n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。\n\n---\n\n✅ 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\u002F视频\u002F推荐模块）请参考各子模块文档。","某电商数据团队正面临“黑五”大促前的销售预测任务，需要在极短时间内基于历史订单、用户行为及商品属性等海量表格数据，构建高精度的回归模型以指导备货。\n\n### 没有 AutoX 时\n- **人工特征工程耗时巨大**：数据科学家需花费数周时间手动清洗缺失值、处理异常点并构造交叉特征，极易因人为疏忽遗漏关键信息。\n- **模型调参依赖个人经验**：面对复杂的超参数空间，团队成员往往凭经验试错，难以找到全局最优解，导致模型效果参差不齐。\n- **多模型对比效率低下**：为了验证效果，需分别编写代码训练 XGBoost、LightGBM 等多个基线模型，流程繁琐且重复劳动多。\n- **文本与非结构化数据处理困难**：对于商品描述等文本列，缺乏自动化的 NLP 特征提取手段，只能简单丢弃或进行粗糙编码，损失了大量潜在价值。\n\n### 使用 AutoX 后\n- **全自动流水线即时启动**：AutoX 一键接管数据清洗、特征工程及模型选择，将原本数周的工作压缩至几小时内完成，且自动挖掘出深层交叉特征。\n- **智能搜索超越人工极限**：利用高效的自动化搜索策略，AutoX 在多个 Kaggle 数据集验证过的算法空间中自动寻优，回归任务误差（MAE）显著降低。\n- **统一接口简化开发流程**：提供类似 sklearn 的简洁接口，自动并行训练并对比多种模型组合，直接输出最佳方案，释放人力专注于业务逻辑。\n- **内置 NLP 模块激活文本价值**：调用 autox_nlp 组件自动处理商品文本列，将其转化为高维有效特征，进一步提升了预测精度。\n\nAutoX 通过将繁琐的建模过程全自动化，让团队从重复劳动中解脱，以更低的成本实现了媲美甚至超越顶级竞赛水平的预测效果。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F4paradigm_AutoX_2137498a.png","4paradigm","4Paradigm","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002F4paradigm_945c02ee.jpg","4Paradigm Open Source Community",null,"4paradigm.com","https:\u002F\u002Fgithub.com\u002F4paradigm",[80,84,88,92,96,99],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",89.5,{"name":85,"color":86,"percentage":87},"Python","#3572A5",10.3,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.2,{"name":93,"color":94,"percentage":95},"Dockerfile","#384d54",0,{"name":97,"color":98,"percentage":95},"Batchfile","#C1F12E",{"name":100,"color":101,"percentage":95},"Makefile","#427819",549,142,"2026-04-13T04:31:24","Apache-2.0","","未说明",{"notes":109,"python":107,"dependencies":110},"README 中未明确列出具体的操作系统、GPU、内存、Python 版本及依赖库要求。安装方式支持通过 git clone 源码安装或 pip 安装（包名为 automl-x）。该工具包含多个模块（如 autox_competition, autox_nlp, autox_video 等），不同模块可能隐含不同的环境需求，但文中未详细展开。",[],[14],[113,114,115],"kaggle","machine-learning","python","2026-03-27T02:49:30.150509","2026-04-18T09:20:15.683872",[119,124,129,134,139,144,149,154],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},39435,"AutoX 是否支持分类模型或神经网络模型？","目前项目还在开发完善中，预计年底会有正式版本。后期计划支持神经网络（NN）相关的模型。该项目包含许多与公司内部 AutoML 产品类似的策略，但并非直接开源内部工具。","https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fissues\u002F1",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},39436,"Sohu Baseline 中使用的 DeBERTa 模型没有中文版导致效果差，如何解决？","Hugging Face 上提供了中文版的 DeBERTa 预训练模型，例如：https:\u002F\u002Fhuggingface.co\u002FWENGSYX\u002FDeberta-Chinese-Large。如果该模型仍不满足预期，可以尝试 Hugging Face 上提供的其他上万个预训练模型来替换示例代码中默认的微软版本。","https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fissues\u002F30",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},39437,"AutoX 的时序预测功能是否支持小时级别的数据？","目前暂时不支持小时级别的时序预测。","https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fissues\u002F69",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},39438,"在情感分析任务基线（task1_baseline）中，数据是如何预处理和拆分的？","一条原始数据包含一段文本（T）和多个实体（如 a, b, c），每个实体在同一段文本中对应不同的情感级别（如 1, 2, 3）。处理方法是将这一条数据拆分为多条数据，格式形如：(T-a-1, T-b-2, T-c-3)，即每条新数据对应一个实体及其对应的情感标签。","https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fissues\u002F29",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},39439,"AutoX_Recommend 模块中如何处理 Netflix 数据集？","可以参考项目中提供的数据处理 Notebook 脚本：https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fblob\u002Fmaster\u002Fautox\u002Fautox_recommend\u002Fdata_process\u002FMovieLens_data_process.ipynb。该脚本展示了针对推荐系统数据集的标准处理流程。","https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fissues\u002F33",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},39440,"AutoX_Recommend 模块中如何实现基于 Word2Vec 的内容召回？","代码结构可以参考历史召回模块的实现：https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fblob\u002Fmaster\u002Fautox\u002Fautox_recommend\u002Frecall_and_rank\u002Frecalls\u002Fhistory_recall.py。该项目已完成相关功能的开发（finished）。","https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fissues\u002F42",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},39441,"AutoX_Recommend 模块中如何处理 KDD Cup 2020 数据集？","原始数据地址为：https:\u002F\u002Ftianchi.aliyun.com\u002Fcompetition\u002Fentrance\u002F231785\u002Fintroduction。数据处理方法可参考 MovieLens 和 Netflix 的处理脚本。具体的去偏数据处理代码已实现，参见：https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fblob\u002Fmaster\u002Fautox\u002Fautox_recommend\u002Fdata_process\u002FKDDCup2020debiasing_data_process.py。","https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fissues\u002F41",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},39442,"AutoX_Recommend 模块中如何处理 Amazon 电子产品推荐数据集？","原始数据地址：https:\u002F\u002Fwww.kaggle.com\u002Fdatasets\u002Fprokaggler\u002Famazon-electronic-product-recommendation。数据处理方法参考项目中现有的 MovieLens 和 Netflix 数据处理脚本：https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fblob\u002Fmaster\u002Fautox\u002Fautox_recommend\u002Fdata_process\u002FMovieLens_data_process.ipynb 以及 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fblob\u002Fmaster\u002Fautox\u002Fautox_recommend\u002Fdata_process\u002FNetflix-data-process.ipynb。该任务已完成（done）。","https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fissues\u002F38",[160,165,170,175,180,185,190,195,200,205,210,215,220,225,230,235,240,245,250,255],{"id":161,"version":162,"summary_zh":163,"released_at":164},315369,"v5.2.0","## 变更内容\n* 稳定的 TopK 类别特征交叉，由 @scchy 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F31 中实现\n* 修复：多分类叶节点问题，由 @scchy 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F32 中修复\n\n## 新贡献者\n* @scchy 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F31 中完成了首次贡献\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fcompare\u002Fv5.1.0...v5.2.0","2022-05-16T23:17:02",{"id":166,"version":167,"summary_zh":168,"released_at":169},315370,"v5.1.0","## 变更内容\n* 由 @utopianet 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F11 中更新了 setup.py\n* 由 @utopianet 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F12 中更新了 setup.py\n* MOD：删除 self.lags 中的重复项，由 @Leopold-Dev 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F15 中完成\n* 修复 influence.py 中的错别字，由 @Yulv-git 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F16 中完成\n* 更新 README_EN.md，由 @ArtificialZeng 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F18 中完成\n* 创建 README_EN.md，由 @ArtificialZeng 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F19 中完成\n* 更新 README.md，由 @zhhwss 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F20 中完成\n* 英文 Readme 更新，由 @ArtificialZeng 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F22 中完成\n* 更新 README.md，由 @utopianet 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F23 中完成\n* 1、新增用于分类任务的 StackingClassifier 类；2、支持传入自定义评估函数，由 @mingyang1996 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F24 中完成\n* 创建 autox_server 的英文版 Readme，由 @ArtificialZeng 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F25 中完成\n* 1、新增 BaggingRegressor 类和 BaggingClassifier 类，用户可根据需求决定是否采用加权平均以及使用的种子数量；3、修改 stacking 类中 fit 函数的一个默认参数，由 @mingyang1996 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F27 中完成\n* 优化 bagging 相关方法，由 @mingyang1996 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F28 中完成\n\n## 新贡献者\n* @utopianet 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F11 中完成了首次贡献\n* @Leopold-Dev 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F15 中完成了首次贡献\n* @Yulv-git 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F16 中完成了首次贡献\n* @ArtificialZeng 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F18 中完成了首次贡献\n* @zhhwss 在 https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fpull\u002F20 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002F4paradigm\u002FAutoX\u002Fcompare\u002Fv5.0.0...v5.1.0","2022-05-16T23:16:41",{"id":171,"version":172,"summary_zh":173,"released_at":174},315371,"v5.0.0","自动时间戳","2022-04-06T01:26:04",{"id":176,"version":177,"summary_zh":178,"released_at":179},315372,"v4.7.0","GRN特征选择","2022-03-29T06:04:26",{"id":181,"version":182,"summary_zh":183,"released_at":184},315373,"v4.6.0","一对多功能","2022-03-21T07:36:02",{"id":186,"version":187,"summary_zh":188,"released_at":189},315374,"v4.5.0","对抗性验证。","2022-03-21T00:24:13",{"id":191,"version":192,"summary_zh":193,"released_at":194},315375,"v4.4.0","GRN特征选择。","2022-03-21T00:23:57",{"id":196,"version":197,"summary_zh":198,"released_at":199},315376,"v4.3.1","伪标签。","2022-03-21T00:23:41",{"id":201,"version":202,"summary_zh":203,"released_at":204},315377,"v4.2.0","GBDT 特征。","2022-03-21T00:23:22",{"id":206,"version":207,"summary_zh":208,"released_at":209},315378,"v4.1.0","更新 autoxserver。","2022-03-21T00:23:07",{"id":211,"version":212,"summary_zh":213,"released_at":214},315379,"v4.0.0","autox server.","2022-03-21T00:22:48",{"id":216,"version":217,"summary_zh":218,"released_at":219},315380,"v3.1.0","pip version.","2022-03-21T00:22:31",{"id":221,"version":222,"summary_zh":223,"released_at":224},315381,"v3.0.1","autox interpreter.","2022-03-21T00:22:13",{"id":226,"version":227,"summary_zh":228,"released_at":229},315382,"v2.2.0","image to vector.","2022-03-21T00:21:56",{"id":231,"version":232,"summary_zh":233,"released_at":234},315383,"v2.0.0","time series model.","2022-03-21T00:21:37",{"id":236,"version":237,"summary_zh":238,"released_at":239},315384,"v1.5.0","multi tables, one to many relationship.","2022-03-21T00:21:15",{"id":241,"version":242,"summary_zh":243,"released_at":244},315385,"v1.4.0","shift, diff, cumsum features.","2022-03-21T00:20:53",{"id":246,"version":247,"summary_zh":248,"released_at":249},315386,"v1.3.0","nlp feature.","2022-03-21T00:20:34",{"id":251,"version":252,"summary_zh":253,"released_at":254},315387,"v1.2.0","multi table info.","2022-03-21T00:20:08",{"id":256,"version":257,"summary_zh":258,"released_at":259},315388,"v1.1.0","tabnet.","2022-03-21T00:19:17"]