“自动机器学习（AutoML）可以生成多种针对不同机器学习任务的模型。生成的主要模型类别包括分类模型、回归模型、聚类模型和时间序列预测模型。分类模型用于预测离散标签，例如识别垃圾邮件或对图像进行分类。另一方面，回归模型用于预测连续值，比如根据各种特征估算房价。聚类模型将相似的数据点分组，这对市场细分或客户画像很有帮助。最后，时间序列预测模型根据过去的观察预测未来值，通常用于股票价格预测或需求预测。
AutoML可以生成的具体算法类型取决于所解决的问题和可用的数据。对于分类任务，它可能生成决策树、随机森林或支持向量机（SVM）。对于回归，可能使用线性回归和梯度提升等算法。在处理聚类时，可以部署k-means或层次聚类算法。AutoML工具通常根据数据的特征和定义的成功指标（可能包括准确率、精确率或召回率等）选择最佳模型。
除了模型生成，AutoML平台通常还提供特征工程能力。这意味着它们可以自动将原始数据转换为模型更容易理解的格式。例如，它们可能会从现有数据创建交互特征、规范化数值输入或编码分类变量。这一自动化过程帮助开发者节省时间和精力，同时提高模型性能。总体而言，AutoML使得技术专业人员可以更轻松地应用机器学习技术，而无需在每个算法上具备深厚的专业知识或进行大量手动调优。”