pip install flaml[automl]

from flaml import AutoML
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

# 데이터 준비
X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# FLAML AutoML 설정
automl = AutoML()

settings = {
    "time_budget": 60,           # 총 탐색 시간 (초)
    "metric": "accuracy",        # 최적화 지표
    "task": "classification",    # 작업 유형
    "log_file_name": "flaml.log",
    "seed": 42,
}

# 학습 (자동으로 최적 모델 탐색)
automl.fit(X_train, y_train, **settings)

# 결과 확인
print(f"최적 모델: {automl.best_estimator}")
print(f"최적 하이퍼파라미터: {automl.best_config}")
print(f"테스트 정확도: {automl.score(X_test, y_test):.4f}")
print(f"학습 소요 시간: {automl.best_config_train_time:.2f}초")

from sklearn.datasets import fetch_california_housing

X, y = fetch_california_housing(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

automl_reg = AutoML()

automl_reg.fit(
    X_train, y_train,
    task="regression",
    metric="r2",
    time_budget=120,         # 2분 제한
    estimator_list=[         # 탐색할 모델 지정
        "lgbm",              # LightGBM
        "xgboost",           # XGBoost
        "rf",                # Random Forest
        "extra_tree",        # Extra Trees
    ],
    seed=42,
)

print(f"최적 모델: {automl_reg.best_estimator}")
print(f"R² 점수: {automl_reg.score(X_test, y_test):.4f}")

# 탐색 히스토리 확인
from flaml.automl.data import get_output_from_log
import matplotlib.pyplot as plt

# 로그에서 탐색 히스토리 추출
time_history, best_valid_loss_history, valid_loss_history, config_history, metric_history = \
    get_output_from_log(filename="flaml.log", time_budget=120)

# 시간에 따른 최적 성능 변화
plt.plot(time_history, best_valid_loss_history)
plt.xlabel("경과 시간 (초)")
plt.ylabel("최적 검증 손실")
plt.title("FLAML 탐색 진행 과정")
plt.show()

from flaml import AutoML
from flaml.automl.model import SKLearnEstimator
from sklearn.neighbors import KNeighborsClassifier

# 커스텀 학습기 정의
class MyKNN(SKLearnEstimator):
    """FLAML에 KNN을 커스텀 학습기로 추가"""

    @classmethod
    def search_space(cls, data_size, task):
        """탐색할 하이퍼파라미터 공간 정의"""
        space = {
            "n_neighbors": {
                "domain": tune.randint(lower=1, upper=50),
                "init_value": 5,
            },
            "weights": {
                "domain": tune.choice(["uniform", "distance"]),
            },
            "p": {
                "domain": tune.choice([1, 2]),  # 1: 맨해튼, 2: 유클리드
            },
        }
        return space

    def __init__(self, task="classification", **params):
        super().__init__(task, **params)
        self.estimator_class = KNeighborsClassifier

from flaml import tune

# 커스텀 학습기를 포함하여 학습
automl = AutoML()
automl.fit(
    X_train, y_train,
    task="classification",
    time_budget=60,
    estimator_list=["lgbm", "rf", "my_knn"],  # 커스텀 학습기 포함
    custom_hp={"my_knn": MyKNN.search_space(None, None)},
)

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from flaml import AutoML

# FLAML을 Pipeline에 통합
automl = AutoML()

pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("model", automl),
])

# Pipeline 내에서 AutoML 실행
automl.fit(
    X_train, y_train,
    task="classification",
    time_budget=60,
    metric="f1",
    n_jobs=-1,
)

# 예측
predictions = automl.predict(X_test)