“AutoML 生成的模型具有相当的可定制性，但定制的程度在很大程度上取决于使用的特定 AutoML 工具以及应用的性质。一般来说，这些工具自动化了模型选择、超参数调优和特征工程的过程，从而减少了开发人员的手动工作。然而，许多 AutoML 平台仍然允许开发人员对生成模型的各个方面进行微调，以更好地满足他们的特定需求。
例如，像 Google Cloud AutoML、H2O.ai 和 DataRobot 这样的 AutoML 工具提供了接口，开发人员可以在训练之前调整超参数、选择性能指标以及结合自定义预处理步骤。开发者可能希望修改特征缩放的方式或对缺失值进行插补，以更好地适应数据。一些平台还支持集成用户自定义函数或自定义算法，使开发者能够将专业知识或特定需求融入到模型训练过程中。
需要注意的是，虽然定制是可能的，但与从头开始构建模型相比，可能会有限。AutoML 模型通常作为黑箱操作，因此对模型内部工作原理的深刻理解可能并不总是可用的。它们可以让你控制某些设置，但理解这些变化如何影响性能可能需要额外的努力。因此，开发人员应仔细评估自己的需求，以决定一个 AutoML 工具是否为他们的特定用例提供了自动化和定制的最佳平衡。”