AutoML and Hyperparameter Optimization
自动化机器学习流程，优化模型超参数，提升模型性能。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：AutoML and Hyperparameter Optimization。 它的用途是：自动化机器学习流程，优化模型超参数，提升模型性能。 详细介绍见：https://321skill.com/skills/automl-and-hyperparameter-optimization/ 请根据该页面的说明完成安装。
使用示例
‘请用AutoML Skill分析这个销售数据集，预测下个季度的销售额，并找出最重要的特征。’，它会自动进行数据预处理、尝试多种回归算法（如XGBoost、随机森林）并调整其超参数，最终生成一个性能报告和特征重要性排名，告诉你哪个模型预测最准以及哪些因素影响最大。
介绍
该Skill旨在解决机器学习项目中繁琐的模型选择和超参数调优问题。传统手动调参耗时费力，且难以找到最优组合，此工具通过自动化流程，高效探索参数空间，帮助用户获得性能更佳的模型。
使用时，用户只需提供数据集和任务目标（如分类、回归），Skill便能自动尝试多种算法和超参数组合，通过交叉验证等方式评估性能，并最终推荐最优模型配置，大幅简化机器学习工作流。
它非常适合希望快速构建和优化机器学习模型，但缺乏充足调参经验或希望节省时间的数据分析师、算法工程师以及相关领域的研究者。对于需要快速验证模型可行性的项目尤其有帮助。
建议在使用前明确任务目标和评估指标，并准备好清洗过的数据。对于超大规模数据集或对推理延迟有极端要求的场景，可能需要结合领域知识对自动化结果进行二次筛选和验证。
核心特点
与仅支持单一算法调优的工具不同，它集成了从特征预处理、算法选择到超参数优化的完整AutoML流程。其核心在于采用了高效的贝叶斯优化等搜索策略，能在更少的尝试次数内找到更优解，从而优化计算资源（如Token）消耗。
注意事项
不适合需要极强领域知识定制、或对模型可解释性有严格要求的场景。
常见问题
这个Skill能处理多大的数据集？
适合中小型数据集，对于超大数据集，建议先采样或使用分布式计算框架。
支持哪些机器学习任务？
支持常见的分类、回归任务，部分版本可能支持聚类和时间序列预测。