辅助建模
使用 辅助 选项获取有关构建机器学习模型的帮助。它通过分步操作对您进行指导，操作包括选择目标和机器学习方法、设置数据类型、清理缺失值、选择特征和选择最佳算法。如果你不确定哪种算法最佳，可通过“辅助建模”排行榜比较算法。随后再将管道（包含了用于训练模型的所有机器学习工具）添加到 Designer 画布。
重要
在使用辅助建模之前，必须使用
输入数据工具 将数据传入 Designer，然后将其连接到“辅助建模”工具。选择
运行
后，在配置窗口中选择
开始辅助建模
。
1. 选择目标和机器学习方法
选择目标，然后让“辅助建模”选择要用于预测目标的机器学习方法。
可用目标 部分将列出数据集中特征的名称。选择要设置为目标的特征。
“辅助建模”自动检测目标是否包含分类数据或数值数据，并选择适当的机器学习方法。
选择 下一步 转到 第 2 步：选择自动化程度 。
重要
“辅助建模”确保在你进入下一步之前选择了正确的目标。此后，只有重新开始整个流程才可以更改目标。选择了正确的目标后选择 继续 。
2. 选择自动化程度
选择让工具构建机器学习管道，还是让“辅助建模”指导您逐步完成整个流程。
选择 分步 或 自动 选项。
选择 下一步 。
如果选择 分步 ，“辅助建模”将执行 步骤3：设置数据类型 。
如果您选择了 自动 ，“辅助建模”则会自动完成构建机器学习管道的所有步骤，包括：设置数据类型、清除缺失值、选择特征和选择算法。当该工具完成整个流程后，在排行榜中可查看到输出。
3. 设置数据类型
“辅助建模”为每个特征设置数据类型。它在 数据类型 列中显示建议的数据类型。建议选项带有标签（例如， 数值（建议） ）。
选择一个特征以在 列详情 栏中查看有关它的信息。通过列详情可看到 数据类型概率 ，它显示“辅助建模”认为一个特征属于某数据类型的自信程度。 预览 包含数据的样本。使用此信息判断是否正确设置了数据类型。
如果一个特征的数据类型不正确，使用 数据类型 列中的下拉列表选择准确的数据类型。
选择 下一步 转到 第 4 步：清理缺失值 。
提示
如果你不确定术语的含义，请查看“辅助建模”中的 术语表 一栏。此部分包含有关数据科学家使用的许多常见术语的信息。
4. 清理缺失值
“辅助建模”可清除数据中的缺失值。对于每个包含缺失值的特征，“辅助建模”在 方法 列显示清理缺失值的推荐方法。建议的选项带有标签（例如， 替换为中位数（建议）。
选择一个特征以在 列详情 部分中查看有关它的信息。列详情解释“辅助建模”如何选择清理缺失数据的 清理方法 。 预览 包含数据的样本。使用此信息判断是否使用了正确的方法来处理缺失值。
如果要使用其他清理方法，使用 方法 列中的下拉列表选择正确的清理方法。
选择 下一步 转到 第 5 步：选择特征 。
5. 选择特征
“辅助建模”选择可以产生最佳模型的特征。对于每个特征，它在 特征信息 列中就其是否是一个很好的预测因子作出评估。
选择一个特征以在 列详情 部分中查看有关它的信息。通过列详情可了解 预测因子详情 ，其中提供了两种衡量特征效果的度量：Gini 和 GKT。“辅助建模”根据这两个度量值来确定特征与目标关联过多还是过少。 预览 包含数据的样本。使用此信息确保特征是良好的预测变量。
如果不想使用某个特征，则取消选中该特征名称旁边的复选框。
选择 下一步 转到 第 6 步：选择算法 。
6. 选择算法
“辅助建模”为你提供了一系列算法。它根据要解决的问题类型推荐不同的算法。此步骤需要你选择在排行榜中进行评估的算法。
每种算法的信息卡都显示该算法的优缺点、描述和一些用例。使用此信息确认你是否要对算法进行评估。
对于分类变量，该工具提供了 4 种算法：
逻辑回归
决策树
随机森林
XGBoost
对于连续变量（数字），该工具提供了 3 种算法：
线性回归
决策树
随机森林
要评估算法，选中其名称旁边的复选框。如果不想评估算法，取消选中此框。
选择 运行已选算法 。
排行榜
“辅助建模”生成排行榜，通过排行榜可以比较所选算法的性能。
根据要解决的问题类型，排行榜输出会不同。以下是关于导航其用户界面的基本方式：
要查看某一个算法的信息，在 排行榜 部分选择其信息卡。
要查看有关一个算法与另一个算法的性能比较，选择 对比 选项卡。
要查看有关一个算法的性能信息，选择 概述 选项卡。
要查看算法最看重的特征，选择 解释 选项卡。
要提醒自己在整个“辅助建模”过程中所做的选择，选择 配置 选项卡。
要在保留排行榜信息的前提下重新开始“辅助建模”，选择 创建新模型 。
要显示或隐藏排行榜，选择 隐藏排行榜 或 查看排行榜 。
确定哪些算法的性能最佳后，可以选择要添加到 Designer 画布的算法，使其成为训练模型的机器学习管道的一部分：
选中要添加到画布的算法名称旁边的复选框。你将会看到选中模型算法的数量。
选择 添加模型并继续工作流 。
最后将管道（包含用于训练模型的所有机器学习工具）添加到 Designer 画布。
选择三点菜单。
从下拉列表中选择 导出 HTML 报告 。
在文件资源管理器选择要保存报告的位置。
您可以将机器学习管道的代码导出到
Python Tool 中的 Jupyter Notebook。
选择三点图标。
从下拉列表中选择 将模型导出到 Python 。
退出“辅助建模”窗口时，工作流中将显示一个 Python 工具。它包含带注释的 Jupyter Notebook，其中包含机器学习管道的所有代码。