“自动机器学习（AutoML）主要通过划分数据集和交叉验证技术来验证其模型。当一个模型被训练时，AutoML通常将可用数据分为至少两部分：训练集和验证集。训练集用于开发模型，而验证集用于评估其性能。这种分离有助于确保模型在面临新的、未见过的数据时能够很好地泛化，而不仅仅是记住训练示例。
在AutoML中用于验证的一种常见方法是k折交叉验证。在此方法中，数据集被划分为'k'个相等的部分或“折”。模型会多次训练，每次在训练时留下一个折作为验证数据，而使用其他折进行训练。这个过程会对每个折重复进行，性能指标如准确率或F1分数在所有迭代中取平均。这种技术使AutoML能够更稳健地估计模型的性能，减少过拟合的风险，并提供关于模型在不同数据子集上表现的见解。
除了这些技术，AutoML还可以实施其他验证策略，比如保留验证法或针对时间序列数据的基于时间的验证。保留方法简单地将数据分为训练集和测试集，而基于时间的验证则在适用时尊重数据的时间顺序。这些策略确保模型不仅准确，而且在实际应用中也可靠。通过使用这些技术，AutoML为开发者提供了创建经过良好验证模型的工具，使他们能够专注于项目中的其他重要任务。”