autogluon

三行代码搞定高精度模型，自动调参集成，省时省力

AutoGluon 是一个自动化机器学习（AutoML）库，旨在用三行代码实现快速且准确的模型训练。它解决了传统机器学习中模型选择、超参数调优和特征工程耗时费力的问题，通过自动化流程，让非专家也能轻松构建高性能模型。核心能力包括自动数据预处理、模型集成（如 stacking 和 bagging）、超参数优化，以及支持表格数据、计算机视觉、自然语言处理和时间序列预测等多种任务。用户只需提供数据，AutoGluon 会自动训练多个模型并集成，通常能取得优于手动调参的效果。

开源 free 模型训练

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 10733

维护状态活跃

是否开源是

定价模式 free

项目数据

分类模型训练

开发团队autogluon

所属国家

官网地址https://auto.gluon.ai

GitHubhttps://github.com/autogluon/autogluon

定价模式free

价格说明开源项目，Apache-2.0许可，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型autogluon,automated-machine-learning,automl,computer-vision,data-science,deep-learning,ensemble-learning,forecasting,gluon,hyperparameter-optimization,machine-learning,natural-language-processing,object-detection,python,pytorch,scikit-learn,structured-data,tabular-data,time-series,transfer-learning

GitHub 星标★ 10733

30天Star增速

HF 下载量

上线时间2019-07-29 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数5

使用教程

难度：入门约 10 分钟部署方式：库/依赖 4 步

环境要求

Python 3.10 - 3.13
操作系统：Linux、MacOS 或 Windows
可用的 pip 包管理环境
本地已有或自行准备的训练/测试数据文件（如 train.csv、test.csv），且训练文件中包含目标列

安装与启动步骤

1检查 Python 版本

先确认本机 Python 版本处于 README 声明的 3.10 - 3.13 区间，版本不符需先切换环境。
```
python --version
```
2安装 AutoGluon

用 pip 一行安装完整版 AutoGluon。README 说明 GPU 支持、Conda 安装与可选依赖需查阅官方安装指南。
```
pip install autogluon
```
3准备数据文件

准备 train.csv 与 test.csv，放在运行脚本的同目录；train.csv 中必须含目标列（示例中列名为 class）。
4运行三行代码训练

按 README Quickstart 写入脚本并执行：拟合训练集、再对测试集做预测。label 换成你数据中真实的标签列名。
```
python quickstart.py
```

关键配置

配置项	必填	说明	示例
`label`	是	目标列名，必须与 train.csv 中实际列名一致	`class`
`presets`	否	拟合预设参数，示例使用 best	`best`
`train.csv`	是	fit 使用的训练数据路径	`train.csv`
`test.csv`	是	predict 使用的待预测数据路径	`test.csv`

如何确认成功

脚本无报错执行完毕，predictor.predict("test.csv") 正常返回对测试集的预测结果即可。

常见问题

Q：安装时提示 Python 版本不支持怎么办？

A：README 明确 AutoGluon 仅支持 Python 3.10 - 3.13，请切换到该区间内的解释器后再执行 pip install autogluon。

Q：如何在 GPU 上安装，或改用 Conda 安装？

A：README 未给出具体命令，只提供了官方 Installation Guide 链接，GPU 支持、Conda 安装与可选依赖请按该指南操作。

Q：如何把 AutoGluon 部署到云端或容器？

A：README 列出 AutoGluon Cloud、深度学习容器、官方 Docker 镜像与 SageMaker Autopilot 入口，但未给出具体命令，需按对应链接指引操作。

Q：运行时提示找不到 label 列？

A：Quickstart 中的 class 只是示例，需把 label 改成 train.csv 里真实存在的目标列名。

注意事项

README 中的三行代码针对表格任务，时间序列和多模态任务请参考对应 Quickstart 链接。
README 未给出 Docker 运行命令、端口或镜像标签，如需容器部署请查阅官方文档后再操作。
示例中的 train.csv、test.csv 为相对路径，运行脚本时需保证工作目录与数据文件一致。

核心亮点

自动进行数据清洗、特征工程和模型集成，新手也能获得顶尖精度
支持表格、图像、文本和时间序列多模态任务，覆盖广泛
训练过程高度自动化，无需手动调参，显著降低使用门槛

不足之处

自动搜索和集成过程计算开销大，训练速度较慢
高度自动化导致对底层模型的定制灵活性不足

适用场景

数据科学竞赛中快速构建高精度基线模型
企业业务预测和分类任务，缺乏专业ML团队时使用
多模态数据（图像+文本）的自动化建模场景

替代项目

H2O AutoML、TPOT、AutoKeras

项目介绍

autogluon 是模型训练领域的开源项目，由 autogluon 开发，2019 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（10,733）位列前 5%，在模型训练分类的 522 个项目里位列前 5%。

近 41 天，它的 GitHub 星标从 10,594 增加到 10,733，净增 139。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。Apache-2.0许可，完全免费，可自行部署使用。

它主要面向的使用场景是：数据科学竞赛中快速构建高精度基线模型。同类可对比的替代方案包括 H2O AutoML、TPOT、AutoKeras。

上一篇：hud-python

下一篇：catalyst