Lexikon · A
AutoML
Kurzantwort
Welches Verfahren passt zu meinen Daten, und mit welchen Einstellungen? AutoML, kurz für automatisiertes maschinelles Lernen, überlässt beide Fragen einem Suchprogramm, das Modelle samt Hyperparametern ausprobiert und vergleicht12. Heraus kommt meist das beste Einzelmodell oder ein Ensemble aus mehreren25.

Für eine Klassifikationsaufgabe stehen Dutzende Verfahren bereit, und jedes hat eigene Stellschrauben. Chris Thornton, Frank Hutter, Holger Hoos und Kevin Leyton-Brown behandelten 2012 die Wahl des Verfahrens und das Einstellen seiner Hyperparameter als ein gemeinsames Problem1. Hyperparameter sind die Vorgaben, die vor dem Training feststehen, anders als die Parameter, die ein Modell selbst lernt. Ihr System Auto-WEKA durchsuchte mit Bayes'scher Optimierung alle Klassifikationsverfahren der Software WEKA, darunter 27 Basisklassifikatoren, 10 Meta-Verfahren und 2 Ensemble-Methoden, dazu Möglichkeiten zur Auswahl von Merkmalen1.
Was ein AutoML-System durchsucht
Wie groß der Suchraum werden kann, zeigt auto-sklearn, das ein Team um Matthias Feurer 2015 vorstellte. Es kombiniert 15 Klassifikatoren, 14 Verfahren zur Aufbereitung von Merkmalen und 4 zur Datenvorbereitung zu einem Raum mit 110 Hyperparametern2. Zwei Kniffe machen die Suche schneller und robuster. Das System startet mit Einstellungen, die bei ähnlichen Datensätzen gut abgeschnitten haben, und es fügt die unterwegs trainierten Modelle am Ende zu einem Ensemble zusammen2. Damit gewann es die erste Phase der ChaLearn AutoML Challenge2.
Auch die Bauweise neuronaler Netze lässt sich suchen. Barret Zoph und Quoc Le ließen 2016 ein Netz für den Bilddatensatz CIFAR-10 automatisch entwerfen. Es erreichte eine Testfehlerquote von 3,65 Prozent und hielt damit mit den besten von Menschen entworfenen Architekturen mit4. Einen Überblick über die Grundlagen, also Optimierung von Hyperparametern, Meta-Lernen und Architektursuche, gibt das frei zugängliche Buch "AutoML: Methods, Systems, Challenges", herausgegeben von Frank Hutter, Lars Kotthoff und Joaquin Vanschoren3.
Wie das in der Praxis aussieht
Mit der Open-Source-Bibliothek AutoGluon braucht ein erster Versuch wenige Zeilen. Man übergibt eine Tabelle und nennt die Spalte, die vorhergesagt werden soll. AutoGluon erkennt die Art der Aufgabe, bildet automatisch Merkmale, trainiert mehrere Modelle und verbindet sie zu einem Ensemble; eine Rangliste zeigt anschließend, wie jedes einzelne Modell abgeschnitten hat5. Mit dem Parameter `time_limit` lässt sich die Suche begrenzen, etwa auf 60 Sekunden. Zu knapp bemessen, reicht die Zeit allerdings nicht für eine vernünftige Auswahl an Modellen5.
Google bietet AutoML in seiner Cloud als Weg an, Modelle ohne eigenen Code und mit wenig technischem Aufwand zu trainieren. Die Hyperparameter stimmt das System dort teilweise selbst ab, verändern lassen sie sich aber nicht. Wer eigene Verlustfunktionen oder beliebige Algorithmen braucht, ist laut der Dokumentation mit dem eigenen Training besser bedient6.
Was beim Menschen bleibt
Die Daten liefern weiterhin Menschen. Auch das AutoML in Googles Cloud braucht sauber formatierte und beschriftete Beispiele7. Welche Spalten überhaupt sinnvoll sind, wie Lücken entstehen und ob Wissen aus dem Prüfteil unbemerkt ins Training sickert, bleibt Arbeit für Datenvorverarbeitung und Feature Engineering, auch wenn AutoML Teile davon übernimmt. Wird das gefundene Modell anschließend in Betrieb genommen, überwacht und neu trainiert, beginnt das Feld der MLOps.
Häufige Fragen
Wie lange dauert eine AutoML-Suche?
Das legst du meist selbst fest. AutoGluon etwa nimmt ein Zeitlimit entgegen, warnt aber, dass ein sehr knappes Limit kein brauchbares Ensemble zulässt5.
Funktioniert AutoML auch mit Bildern?
Ja, Google trainiert mit AutoML in seiner Cloud unter anderem Modelle für Bilder und Tabellen. Für die Bildklassifikation werden mindestens 1.000 beschriftete Beispiele je Klasse empfohlen7.
Quellen
Stand:
- arXiv (Thornton, Hutter, Hoos, Leyton-Brown): Auto-WEKA: Combined Selection and Hyperparameter Optimization of Classification Algorithms, Stand 06.03.2013, abgerufen am 22.11.2026. zurück
- NeurIPS Proceedings (Feurer u. a.): Efficient and Robust Automated Machine Learning, Stand 2015, abgerufen am 22.11.2026. zurück
- AutoML.org: AutoML: Methods, Systems, Challenges, abgerufen am 22.11.2026. zurück
- arXiv (Zoph, Le): Neural Architecture Search with Reinforcement Learning, Stand 15.02.2017, abgerufen am 22.11.2026. zurück
- AutoGluon 1.6.1: AutoGluon Tabular: Quick Start, abgerufen am 22.11.2026. zurück
- Google Cloud Dokumentation: Choosing a training method, abgerufen am 22.11.2026. zurück
- Google Cloud Dokumentation: Beginner's guide, abgerufen am 22.11.2026. zurück





