<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>AutoML on PlumePHP</title><link>https://plumephp.com/tags/automl/</link><description>Recent content in AutoML on PlumePHP</description><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Mon, 28 Sep 2026 10:00:00 +0800</lastBuildDate><atom:link href="https://plumephp.com/tags/automl/index.xml" rel="self" type="application/rss+xml"/><item><title>AutoML 与超参自动调优：Optuna、搜索策略与端到端流水线</title><link>https://plumephp.com/ml-automl-hpo/</link><pubDate>Mon, 28 Sep 2026 10:00:00 +0800</pubDate><guid>https://plumephp.com/ml-automl-hpo/</guid><description>&lt;h2 id="引言"&gt;引言&lt;/h2&gt;
&lt;p&gt;模型精度的一大半来自&lt;strong&gt;超参调得好&lt;/strong&gt;——同样的 XGBoost，调参前后 AUC 可能差 0.05。但人工调参像「猜密码」：试到哪儿算哪儿、难以复现。**AutoML（自动化机器学习）**把「选模型 + 调超参」变成自动搜索问题。本文从网格/随机搜索讲起，落地 Optuna 的贝叶斯优化（TPE），再到 AutoGluon/FLAML 一键自动化，最后讨论「哪些能自动、哪些不能」。&lt;/p&gt;</description></item></channel></rss>