automl工具比手动调参快5–10倍且效果不输，但需设对time_left_for_this_task、确保label列存在并正确处理缺失值、导出时用export()补全import。
直接上手 AutoML 工具，多数情况下比手动写 train_test_split + GridSearchCV 快 5–10 倍，且模型效果不输——前提是数据质量达标、目标明确、预算设对。
Auto-sklearn 初始化时必须显式设置 time_left_for_this_task
它不是“跑完为止”，而是靠时间预算驱动搜索。不设这个参数，fit() 可能卡住或只试 1–2 个模型就退出。
-
time_left_for_this_task是总训练秒数（如300表示 5 分钟），不是单模型耗时 - 建议初试从
120（2 分钟）起步；若结果不稳定，再加到600 - 搭配
per_run_time_limit=30（单次模型训练上限 30 秒），防个别模型拖垮整体进度 - 别漏掉
include_estimators=['random_forest', 'sgd', 'xgboost']，否则默认可能跳过你关心的算法
TPOT 导出可读 pipeline 时要调用 export() 而非直接 print
很多人用 print(tpot.fitted_pipeline_) 看到的是内存地址或简化结构，根本没法复现。真正要拿可复用代码，必须用 export() 方法生成 Python 文件。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
-
tpot.export('my_best_pipeline.py')会写出完整可运行的 sklearn 流水线代码 - 导出后需手动补
import语句（sklearn.preprocessing、sklearn.ensemble等） - 注意：导出代码中预处理步骤（如
StandardScaler）是 fit on train only，不能直接套在全量数据上 - 如果发现导出代码报
NameError: name 'make_column_transformer' is not defined，说明 TPOT 版本较新，需升级 sklearn 到 1.0+
AutoGluon fit() 前必须确认 label 列名在 DataFrame 中真实存在
它不报错，但会静默把整列当特征用，导致 predict() 输出全是 NaN 或恒定值——这是最常被忽略的数据格式陷阱。
- 检查方式：
assert 'target' in train_data.columns（把'target'换成你的真实列名） - 若目标列是数值型但含大量缺失，
AutoGluon默认不 impute，需提前用pandas.fillna()处理 - 类别目标列若含空字符串
''或np.nan，会触发LabelEncoder报错，建议统一转成None再丢给fit() - 传入
eval_metric='f1'时，确保目标列是整数或字符串类型，float 类型会强制转为二分类并丢弃中间类
真正卡住人的从来不是“怎么装库”，而是时间预算没对齐、label 名拼错了、导出后忘了补 import——这些点不盯住，跑一小时也得不到可用模型。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
