autogluon需规范数据格式、明确标签类型及充足硬件资源才能正常运行；安装须对齐cuda与pytorch版本；fit()需合理设置time_limit、presets和num_gpus；预处理须处理缺失值、类别类型并删除无关列；预测前须确认模型训练完成且数据结构一致。
AutoGluon 能在多数结构化数据任务中自动完成特征工程、模型选择、超参调优和集成，但前提是数据格式规范、标签类型明确、硬件资源足够——否则会静默失败或卡在 fit() 阶段。
安装与环境准备：别跳过 CUDA 和 PyTorch 版本对齐
AutoGluon 依赖 PyTorch，而 PyTorch 的 CUDA 支持必须和系统驱动匹配。直接 pip install autogluon 很可能装上 CPU-only 版本，导致训练极慢甚至报 RuntimeError: Found no NVIDIA driver on your system。
- 先查显卡驱动版本：
nvidia-smi→ 看右上角 CUDA Version（如 12.2） - 再按官方文档选对应 PyTorch 命令（例如 CUDA 12.1）：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 - 最后装 AutoGluon：
pip install autogluon.tabular（只装 tabular 子包即可，避免冗余）
TabularPredictor.fit() 的关键参数控制实际行为
默认 fit() 会尝试大量模型并做堆叠，耗时长且内存飙升。真实项目里通常要主动约束。
Secure Python Code Sandbox
下载
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
-
time_limit是硬截止时间（秒），不是“尽量用完”，超时后立即停止并返回当前最佳模型 -
presets="best_quality"会启用更多模型和更细搜索，但至少需 30 分钟；日常调试建议用"medium_quality_faster_inference" -
num_gpus=1必须显式指定，否则即使有 GPU 也只用 CPU；多卡需传列表如[0, 1] - 如果验证集效果远差于训练集，加
hyperparameters={"GBM": {"ag_args_fit": {"num_gpus": 1}}}确保树模型也上 GPU
数据预处理不是可选项：AutoGluon 对缺失和类别值很敏感
它不接受 NaN 作为字符串列的值（比如某列是 ["A", "B", NaN]），也不接受未声明的类别型字段——会直接抛 ValueError: Unknown category。
- 数值列缺失值：用
df[col].fillna(df[col].median())或0，别留NaN - 字符串列缺失值：统一替换成特殊标记如
"MISSING"，并在fit()前用df[col] = df[col].astype("category") - 目标变量如果是分类任务，确保是
str或int类型，不能是object混合类型（如同时含1和"1"） - 时间列、ID 列等无关字段，务必提前
drop()，否则 AutoGluon 可能误判为类别特征
预测阶段常见报错及绕过方式
调用 predict() 时报 KeyError: 'label' 或 AttributeError: 'NoneType' object has no attribute 'predict'，基本都是模型没成功训练完就用了。
- 检查
fit()返回对象是否为TabularPredictor实例（打印type(predictor)） - 查看
fit()输出末尾是否有AutoGluon training complete，没有则说明中断了 - 预测数据列名、顺序、数据类型必须和训练时完全一致；建议用
predictor.feature_metadata对比字段类型 - 若只需快速 baseline，用
predictor.leaderboard(silent=True)看各模型分数，挑score_test最高那个单独调用predict()
最常被忽略的是训练数据中混入测试数据的 ID 或时间戳字段——AutoGluon 会把它们当特征学，导致线上预测时因字段缺失直接崩。删干净再跑。
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！
