"AutoML通过使用预定义的策略来自动化数据拆分，从而增强机器学习工作流程，同时减少手动操作的工作量。一般来说，数据拆分指的是将数据集划分为不同的子集——通常是训练集、验证集和测试集。通过这样做，可以有效地训练和评估模型，而不会出现过拟合。AutoML平台通常具有内置机制，可以自动选择最适合给定数据集的拆分技术。
在AutoML中，一个常见的技术是分层拆分。该方法确保训练集和验证集中类别标签的分布能够代表整体数据集。例如，如果您的数据集中有70%的实例属于类别A，30%属于类别B，分层拆分将在训练集和验证集中保持这一比例。AutoML工具无缝地应用此技术，节省了开发人员编写代码以手动执行此操作的时间。
除了分层拆分，AutoML还使用k折交叉验证作为一种数据拆分形式。这种技术将数据集划分为k个相等的子集，并训练模型k次，每次使用不同的子集进行验证，其余的用于训练。这种方法通过减少单一训练-测试拆分所带来的方差，有助于确保更稳健的评估指标。再次强调，开发人员可以依赖AutoML来实施这一过程，而无需处理其中的复杂性，从而使他们能够专注于模型开发的其他方面。"