返回 AI 工具目录
EvalML
开发框架人工精选最近核验 2026年7月23日
EvalML 是 Alteryx 开源(BSD-3)的 Python AutoML 库,用于自动构建、优化并评估机器学习管道。它围绕面向领域目标函数设计:自动完成数据质量检查、交叉验证、特征工程与选择、模型训练与调参,并在建模前对数据与问题设置给出告警。相比只做单一步骤的工具,它把预处理到建模的端到端流程整合,内置领域目标函数库,也允许自定义目标,并提供模型可解释性工具。它面向分类、回归、时序等传统结构化机器学习任务,属于大模型浪潮之前的经典 AutoML,可用 pip 或 conda 安装,适合数据团队快速搭建可靠基线模型。
定价开源部署本地运行、自托管国内可达国内可达
解决什么问题
- 自动搭建预处理到建模的端到端 ML 管道
- 按业务目标函数优化模型而非只看通用指标
- 建模前自动检查数据与问题设置的隐患
- 提供可解释性工具理解模型行为
适合
- 结构化数据的分类、回归、时序建模
- 需要快速产出可靠基线模型的数据团队
- 希望用领域目标函数驱动模型选择
- 偏好开源、可本地运行的 AutoML
不适合
- 不适用于大模型与生成式 AI 任务
- 非结构化的文本、图像场景须另选工具
- 需要活跃迭代的团队应留意更新节奏放缓
- 超大规模分布式训练非其定位
如何接入
- 通过 pip 或 conda-forge 安装为 Python 库
- 与 pandas、scikit-learn 生态衔接
- 可嵌入现有数据科学工作流
- 文档见 evalml.alteryx.com
已知限制
- 面向经典 ML,不覆盖 LLM 与生成式任务
- 仓库更新节奏较前几年放缓
- 大规模数据需自行考虑算力与分布式
- 目标函数用得好才见价值,存在学习成本
接入与使用事实
- 部署方式
- 本地运行、自托管
- 实现语言
- Python
- 中文界面
- 待确认
- 中文文档
- 待确认
- 定价方式
- 开源
- 许可证
- 待确认
- 国内可达性
- 国内可达
- 可达性观察
- 待补充
权限、依赖与维护信号
这些字段记录公开可见信号，不等同于安全审计结论。
权限信号
暂无公开信号。
依赖信号
暂无公开信号。
维护信号
暂无公开信号。
公开来源与证据
暂无可公开的来源链接。