零门槛上手MLJAR Supervised：从安装到调优的全流程攻略

一、核心价值：为什么选择MLJAR Supervised？

1.1 自动化机器学习的效率革命

MLJAR Supervised作为一款基于AUTOML的机器学习框架，能够将传统需要数天的模型开发流程压缩至小时级。通过自动化特征工程、模型选择和超参数调优，开发者可以将精力集中在业务逻辑而非重复劳动上，实现效率提升300%的开发体验。

1.2 全场景任务支持

该框架支持分类（二分类/多分类）、回归等多种机器学习任务，兼容结构化数据、文本数据等多种输入类型。核心算法模块：supervised/algorithms/ 中集成了从基础模型（如决策树）到高级集成方法（如XGBoost、LightGBM）的完整算法库，满足不同场景需求。

新手陷阱：首次使用时容易忽略数据预处理环节，建议在调用AutoML前检查数据格式，确保目标列类型与任务匹配（分类任务为离散值，回归任务为连续值）。

二、实践路径：5分钟从安装到模型部署

2.1 极速环境部署

# 克隆项目仓库
git clone https://gitcode.com/gh_mirrors/ml/mljar-supervised
cd mljar-supervised

# 安装核心依赖
pip install -r requirements.txt

# 开发环境额外依赖（可选）
pip install -r requirements_dev.txt

2.2 泰坦尼克号生存预测实战

以下代码展示如何使用MLJAR Supervised解决经典的二分类问题：

import pandas as pd
from supervised import AutoML

# 加载数据
train = pd.read_csv("tests/data/Titanic/train.csv")
X = train.drop(["Survived", "PassengerId"], axis=1)
y = train["Survived"]

# 初始化AutoML（二分类任务）
automl = AutoML(
    mode="Compete",  # 竞争模式，自动选择最优模型组合
    eval_metric="accuracy",  # 评估指标
    total_time_limit=600,  # 总训练时间限制（秒）
    n_jobs=-1,  # 使用所有CPU核心
    verbose=1  # 显示训练进度
)

# 训练模型
automl.fit(X, y)

# 生成预测
test = pd.read_csv("tests/data/Titanic/test_with_Survived.csv")
X_test = test.drop(["Survived", "PassengerId"], axis=1)
predictions = automl.predict(X_test)

2.3 模型评估与结果解读

训练完成后，框架会自动生成详细报告，包括：

• 模型性能排行榜（保存在AutoML_Report/leaderboard.html）
• 特征重要性分析（核心实现：supervised/utils/importance.py）
• 学习曲线与混淆矩阵可视化

新手陷阱：避免在小数据集上使用"Compete"模式，可能导致过拟合。建议数据量小于1000样本时使用"Fast"模式。

三、深度定制：打造专属机器学习流水线

3.1 自定义训练策略指南

通过AutoML初始化参数实现精细化控制：

参数名	作用	推荐值	应用场景
mode	训练模式	"Fast"/"Compete"/"Perform"	快速验证/竞赛/生产环境
validation_strategy	验证方式	"kfold"（5折交叉验证）	数据量充足时
golden_features	特征工程开关	True	高维数据场景
stack_models	模型融合	True	追求极致性能

3.2 高级调参技巧

通过修改调参策略文件（supervised/tuner/）实现算法级优化：

# 自定义XGBoost超参数搜索空间
from supervised.tuner.optuna.xgboost import XGBoostOptunaTuner

class CustomXGBoostTuner(XGBoostOptunaTuner):
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.search_space = {
            "max_depth": self.optuna.suggest_int("max_depth", 3, 10),
            "learning_rate": self.optuna.suggest_float("learning_rate", 0.01, 0.3, log=True),
            # 添加自定义参数
            "colsample_bytree": self.optuna.suggest_float("colsample_bytree", 0.5, 1.0)
        }

3.3 常见任务速查表

任务类型	关键参数配置	核心算法	评估指标
二分类	problem_type="binary_classification"	XGBoost/LightGBM	AUC-ROC/Accuracy
多分类	problem_type="multiclass_classification"	随机森林/Extra Trees	F1-macro/LogLoss
回归	problem_type="regression"	线性回归/XGBoost	RMSE/R²

新手陷阱：自定义评估指标时需确保函数返回值为标量，且越大越好（框架默认最大化指标）。

四、扩展应用：从原型到生产环境

4.1 模型保存与加载

# 保存模型
automl.save("titanic_survival_model")

# 加载模型
from supervised import load_automl
loaded_automl = load_automl("titanic_survival_model")

4.2 公平性分析与优化

针对敏感数据场景，可使用公平性工具包（supervised/fairness/）进行偏见检测：

from supervised.fairness.report import FairnessReport

# 生成公平性报告
fairness_report = FairnessReport(
    automl, 
    X_test, 
    sensitive_features=["Sex", "Pclass"],  # 敏感特征
    favorable_outcome=1  # 正向结果（生存）
)
fairness_report.generate("fairness_analysis.html")

通过三阶框架的实践，MLJAR Supervised不仅降低了机器学习的使用门槛，更为专业用户提供了深度定制的可能。无论是快速原型验证还是生产级模型部署，该框架都能通过自动化与灵活性的平衡，成为数据科学家的得力工具。建议结合examples/目录中的场景化脚本，进一步探索框架的强大功能。