mljar-supervised：表格数据的自动化机器学习工具

做表格数据建模时，重复性的代码总是不少。数据预处理、模型选择、超参调优、结果记录，每一步都要写一堆代码。mljar-supervised 这个项目想把这串流程自动化，目前在 GitHub 上积累了 3,265 个 Star。

它是一个纯 Python 包，专门处理结构化表格数据。用户只需要准备好数据，调用 fit 方法，就能自动完成从预处理到模型训练的全过程。

四种训练模式

项目内置了四种工作模式，分别对应不同的使用场景。

Explain 模式侧重数据理解。它会用决策树可视化、线性模型系数、排列重要性、SHAP 值等手段，帮助用户弄清楚数据里到底发生了什么。该模式使用 75%/25% 的训练测试划分。

Perform 模式面向生产环境。采用 5 折交叉验证，集成 Linear、Random Forest、LightGBM、Xgboost、CatBoost 和 Neural Network 的预测结果，输出可以直接部署的模型。报告包含学习曲线和特征重要性。

Compete 模式为竞赛设计。除了集成，还支持堆叠构建二级模型。验证策略会根据数据集大小和总时间限制自动调整，可能是 80/20 划分、5 折或 10 折交叉验证。可用的算法最全，报告只保留学习曲线。

Optuna 模式追求极限性能。利用 Optuna 框架配合 TPE 采样器，对 Random Forest、Extra Trees、LightGBM、Xgboost 和 CatBoost 进行深度调参。配合 10 折交叉验证、高级特征工程和堆叠，适合算力充足且对精度要求高的场景。

覆盖主流算法与预处理

项目支持的算法比较全面，包括 Baseline、Linear、Random Forest、Extra Trees、LightGBM、Xgboost、CatBoost、Neural Networks 和 Nearest Neighbors。集成策略基于 Caruana 论文中的贪心算法，Compete 和 Optuna 模式还能做模型堆叠。

预处理环节也做了不少工作。缺失值自动填充、类别变量转换、目标值预处理都是标配。高级功能包括 Golden Features 自动构造、特征选择、文本变换和时间变换。超参搜索采用预定义集合上的随机搜索，配合爬山算法做精调。

自动文档与可解释性

每次 AutoML 训练结束后，项目会自动生成 Markdown 报告。报告里包含所有模型的得分排行、训练耗时、性能散点图和箱线图。点击单个模型可以查看详细指标、学习曲线和特征重要性图表。决策树模型还会输出带可视化树结构的专项报告。

可解释性方面，所有算法都会计算排列重要性，同时生成 SHAP 特征重要性、依赖图和决策图。用户可以通过 explain_level 参数关闭或调整解释内容的详细程度。线性模型的系数表也会呈现在报告中，方便对比不同特征的影响方向。

公平性训练

从 1.0.0 版本开始，项目加入了公平性感知训练。用户可以通过 fairness_metric 指定公平性指标，通过 fairness_threshold 设置阈值，并定义 privileged_groups 和 underprivileged_groups。模型会在满足公平性约束的集合里选择最优。

支持的纠偏方法包括样本加权和智能网格搜索。公平性训练可与所有算法、集成和堆叠集成一起使用，适用于二分类、多分类和回归三种任务类型。报告中会增加公平性指标的相关信息。

上手门槛与使用方式

安装通过 pip 或 conda 均可。要求 Python 3.9 以上，NumPy 2.0 以上。

代码接口很简洁。初始化 AutoML 对象，调用 fit 方法传入 X 和 y 进行训练，调用 predict 方法做预测。所有模型自动保存在 results_path 指定的目录，训练中断后重新运行相同代码即可从断点续训，无需手动调用 save 或 load。

如果你经常处理表格数据的机器学习任务，希望减少重复代码，同时保留对模型和流程的可解释性，这个工具可以纳入考虑。

格数据的机器学习任务，希望减少重复代码，同时保留对模型和流程的可解释性，这个工具可以纳入考虑。