"自动机器学习（AutoML）通过简化选择最具信息量的数据样本来支持主动学习，从而用于训练机器学习模型。主动学习是一种方法，模型有选择地查询它遇到的最不确定的数据点，使其能够从更少的标记示例中更高效地学习。AutoML框架可以集成主动学习技术，以自动化这一选择和标记过程，帮助开发者在无需大量手动干预的情况下快速改进他们的模型。
例如，当使用AutoML训练的模型开始对未标记数据进行预测时，它可以识别对预测结果不确定的情况。在这种情况下，主动学习策略使模型能够请求对这些不确定实例的标签。AutoML工具可以通过预定义查询策略（例如不确定性采样）和标记预算来自动化训练和查询的迭代循环。这最小化了开发者在数据标记上的负担，使团队能够专注于其他关键任务，同时在时间推移中提升模型的准确性。
在情感分析应用中的实际例子可以看到这一点。如果AutoML系统遇到它之前没有见过的新客户评价，它可以标记那些置信度低的评价。开发者随后可以审查这些被标记的项目进行标记，从而形成一种针对性的数据显示方式。这个过程不仅减少了标记数据所花费的时间，还通过集中处理最具挑战性的示例来提高模型的质量，有效地将常规的监督学习工作流程转化为更高效的模型改进迭代。"