以下是8个能够轻松搞定机器学习的开源自动化框架：
AutoSklearn：
简介：基于scikitlearn，适用于中小型数据集。
功能：自动寻找最佳模型和超参数，包括特征工程如编码和归一化。
TPOT：
简介：利用遗传编程优化机器学习流程。
功能：处理数据科学家需预先清理的数字格式数据，优化机器学习流程。
AutoViML：
简介：针对TPOT的局限性进行改进。
功能：自动进行数据清理和编码，处理缺失值，速度更快，提供模型选择和优化结果。
H2O AutoML：
简介：自动化模型训练和超参数调整。
功能：支持数据预处理，提供模型排行榜和部署代码，方便用户快速部署模型。
AutoKeras：
简介：基于Keras，适用于深度学习任务。
功能：自动寻找深度学习模型结构和超参数，简化深度学习模型的开发过程。
MLBox：
简介：功能丰富的Python库。
功能：提供数据准备和模型优化的全面支持，满足机器学习任务的各种需求。
Hyperopt Sklearn：
简介：利用HyperOpt优化大量超参数。
功能：支持跨机器扩展，适用于大规模模型优化，提高模型性能。
AutoGluon：
简介：专为AWS开发，支持多种数据类型。
功能：适合初学者和专家使用，支持图像和文本等多种数据类型，简化机器学习模型的构建和部署过程。
这些框架涵盖了从数据理解到模型部署的各个环节，能够显著提高机器学习任务的效率和准确性。
