分类是一种监督式学习，其中的模型使用训练数据进行学习，并将学习所得应用于新数据。 Azure 机器学习为这些任务专门提供特征化，例如用于分类的深度神经网络文本特征化器。 有关特征化选项的详细信息，请参阅 数据特征化 。 还可以在 支持的算法 中找到 AutoML 支持的算法列表。

分类模型的主要目标是根据从训练数据习得的内容来预测新数据属于哪些类别。 常见分类示例包括欺诈检测、手写识别和对象检测。

请参阅此 Python 笔记本中的分类和自动化机器学习示例： 银行营销 。

类似于分类，回归任务也是常见的监督式学习任务。 Azure 机器学习提供特定于回归问题的特征化。 详细了解 特征化选项 。 还可以在 支持的算法 中找到 AutoML 支持的算法列表。

不同于分类（其中的预测输出值是分类的），回归模型基于独立的预测器预测数字输出值。 在回归中，目标是通过估计一个变量对其他变量的影响，帮助建立这些独立预测因子变量之间的关系。 例如，模型可能会基于里程油耗和安全评级等特征预测汽车价格。

请参阅以下 Python 笔记本中用于预测的回归和自动化机器学习示例： 硬件性能 。

生成预测是任何业务（无论是收入、库存、销售还是客户需求）中不可或缺的组成部分。 可以使用自动化 ML 来合并多种技术和方法，获得推荐的高质量时序预测结果。 可以在 支持的算法 中找到 AutoML 支持的算法列表。

自动化时序试验被视为多元回归问题。 将“透视”过去的时序值，使其成为回归量与其他预测器的更多维度。 与传统时序方法不同，这种方法的优点是，在训练过程中自然包含多个上下文变量及其相互关系。 自动化 ML 会针对数据集和预测时间范围内的所有项目，习得通常有内部分支的单个模型。 这样，就有更多数据可用于估计模型参数，使得未知系列的泛化成为可能。

高级预测配置包括：

请参阅此 Python 笔记本中的预测和自动化机器学习示例： 能源需求 。

计算机视觉

支持计算机视觉任务，让你能够轻松地生成针对图像数据训练的模型，用于图像分类和对象检测等场景。

借助此功能，可以：

支持通过 Azure 机器学习 Python SDK 为视觉任务创建 AutoML 模型。 可以从 Azure 机器学习工作室 UI 访问生成的试验作业、模型和输出。

了解如何 为计算机视觉模型设置 AutoML 训练 。

图像自动 ML 支持以下计算机视觉任务：

自然语言处理：NLP

支持自动化 ML 中的自然语言处理 (NLP) 任务，让你能够轻松地生成针对文本数据训练的模型，用于文本分类和命名实体识别场景。 通过 Azure 机器学习 Python SDK 支持创作自动化 ML 训练的 NLP 模型。 可以从 Azure 机器学习工作室 UI 访问生成的试验作业、模型和输出。

NLP 功能支持：

了解如何 为 NLP 模型设置 AutoML 训练 。

训练、验证和测试数据

借助自动化 ML，可以提供训练数据来训练 ML 模型，并可以指定要执行的模型验证类型。 自动化 ML 在训练中执行模型验证。 也就是说，自动化 ML 使用验证数据根据应用的算法来优化模型超参数，以找到适合训练数据的最佳组合。 但是，每次优化迭代都使用相同的验证数据，这样会导致模型评估偏差，因为模型会不断改进和适应这些验证数据。