使用工具
auto_ml
它主要将机器学习中所有耗时过程自动化，如数据预处理、最佳算法选择、超参数调整等，这样可节约大量时间在建立机器学习模型过程中。
进行自动机器学习
使用的库为pycaret
pycaret——》开源机器学习库
不好用
从数据准备到模型部署 一行代码实现
可以帮助执行端到端机器学习试验 无论是计算缺失值 编码分类数据 实施特征工程 超参数调整还是构建集成模型 都非常方便
使用前新建虚拟环境：
scikit-learn==0.23.2
pycaret跟auto-ts有冲突
根据要解决的问题类型，首先需要导入模块。在 PyCaret 的第一个版本中，有 6 个不同的模块可用 ---> 回归、分类、聚类、自然语言处理 (NLP)、异常检测和关联挖掘规则。
我们这次要预测新增用户，所以是一个分类问题，我们引入分类模块
# import the classification module
from pycaret import classification
# setup the environment
classification_setup = classification.setup(
data= data_classification, target='Personal Loan')设置更多自定义参数
data_amend = exp_mclf101 = setup(
data= data_classification,
target='Personal Loan',
train_size = 0.80,
ignore_features = ["session_id",...],
numeric_features =["Age",...],
combine_rare_levels= False,
rare_level_threshold=0.1,
categorical_imputation = 'mode',
imputation_type ='simple',
feature_interaction = True,
feature_ratio= True,
interaction_threshold=0.01,
session_id=123,
fold_shuffle=True,
use_gpu=True,
fix_imbalance=True,
remove_outliers=False,normalize = True,
transformation = False,
transformation_method='quantile',
feature_selection= True,
feature_selection_threshold = 0.8,
feature_selection_method='boruta',
remove_multicollinearity = True,
multicollinearity_threshold=0.8
normalize_method = 'robust')在我们使用过程中只需要进行调用函数，函数值接受一个参数，也就是模型缩写
这个表格包含了模型缩写字符串
最后，我们将对陌生数据进行预测。为此，我们只需要传递将用于预测的数据集的模型。注意的是，确保它与之前设置环境时提供的格式相同。PyCaret 构建了所有步骤的管道，并将预测数据传递到管道中并输出结果。
通过拜读群内大佬的数据处理过程 得到以下技巧
分组聚合 将x1到x8的数据进行分组聚合 并计算每个分组对于target的均值
猜想 有些特征数值比较大 是否使用正则化
进行时间序列上的处理 将其转化成月 日 小时 分钟 以及是否为周末 一年中的第几周
时间特征实际上并不好用
依然使用决策树进行训练
这样的训练方法使得分数进行了一定的上升，但依旧存在召回率低的问题