自動機器學習（後簡稱AutoML）是阿里雲人工智慧平台 PAI提供的服務，它能按照策略協助您完成最優超參組合搜尋，從而大幅提升模型調優效率。
背景
在機器學習模型中，超參數（Hyper Parameter，簡稱超參）是用來控制模型訓練的一組參數，是訓練機器學習模型時用到的外部配置參數。超參數在模型訓練開始之前應設定好。超參數不同於模型內部參數，模型內部參數在學習過程中被不斷地更新和最佳化。而超參數在學習過程開始前設定，在模型訓練過程中保持不變。
可以把一個模型的n個超參理解成一個n維向量。在模型訓練的實踐中，我們需要從這個模型的所有超參向量範圍裡，找到一個特定的向量值，使得該模型在給定的資料集上獲得最佳效果（比如最小化損失函數loss function的結果）。尋找這個最優超參向量值的過程我們稱之為超參調優（Hyper Parameter Optimization，簡稱HPO）。
舉個簡單的例子，模型有2個超參A和B，A可能的取值有（a，b，c），B可能的取值有（d，e），那麼這個超參調優過程就是從A、B值的6種排列組合裡，選出一種，使得模型訓練有最佳效果。為了選出最優組合，最簡單的方式是在同一個訓練資料集上，把A，B的6種值的組合分別用於模型訓練，然後比較模型在同一組測試資料集上的效果，選出效果最好的模型所用的超參組合。
AutoML HPO介紹
受模型超參數量、每個超參的資料類型和範圍範圍影響，超參調優問題很容易達到很高的複雜度。比如模型有多個超參，有些超參是整型，有些是浮點型，此時超參調優無法通過手工來完成，通過暴力搜尋需要消耗非常大的計算資源，這需要引入自動化的系統來完成這項工作。AutoML服務中的HPO功能，正是協助使用者實現自動超參調優的目標。
AutoML HPO是AutoML提供的對模型參數、訓練超參數（opt、lr）等進行自動搜尋調優的服務，為您提供了易用、有效、準確的自動超參調優服務：
簡化調優工作：通過自動化工具大幅簡化演算法工程師調參工作，節省演算法工程師的調參時間。
訓練更優模型：整合了PAI的多種演算法，能夠有效尋找到最優組合以及對應的模型，協助您訓練出精度更高、效率更高的模型。
節省計算資源：超參調優工具會通過持續的評估，決定是否有必要使用下一組超參組合。這個機制下，可能不需要評估所有組合就已經得到了最優解，能協助您節省計算資源的使用量。
方便應用算力：與DLC、MaxCompute計算資源無縫銜接，方便您靈活配置並使用澎湃算力。
AutoML HPO應用情境
機器學習訓練過程中，需要進行模型參數調優的，都可以使用AutoML HPO，來獲得更好模型。常見的應用情境有下面幾種。
機器學習二分類任務，例如判斷使用者是否是付費使用者。
機器學習迴歸類任務，例如判斷使用者7日預計付費金額。
機器學習聚類任務，例如確定某化妝品牌在某城市劃分幾個買賣點。
推薦情境：排序召回模型調優，提升AUC等指標。
深度學習：增益圖像多分類/視頻多分類等任務的精度。
相關文檔
（推薦）瞭解AutoML原理機制，實驗、Trial、訓練任務關係，協助您理解後續配置項間的邏輯關係。
通過控制台建立新實驗，以及瞭解其中的關鍵參數如何配置。
您可以通過實際案例，來使用AutoML，完成模型的超參調優。