在機器學習任務的核心是訓練方式的選擇，包括以下功能： 2.3.1 普通訓練（Single Train） 普通訓練是指確定模型以及模型參數的訓練，適?用于有?一定機器?學習背景的?人員，可以針對特定的數據?自?己指定合適的模型及模型參數。 2.3.2 自動化超參訓練（Hyper Train） 平臺同時支持對模型的參數進行優化搜索，即自動化超參數調優，避免用戶手動調參的低效。這種模式下，用戶只需要上傳數據，選擇若干機器學習模型即可，平臺將自動搜索出每個模型的最優參數。包含的優化算法為： · Grid\_Search · Random\_Search · SMAC · TPE · ANNEAL 2.3.3 集成訓練（Ensemble Train） 集成方法是將?種機器學習算法組合成?個預測模型的訓練方式，以達到減小方差、偏差或改進預測的效果。本平臺的集成訓練是基于 stacking 的集成學習技術，通過元分類器或元回歸(Meta-Model )聚合多個基分類或回歸模型( Base-Model )。其中基模型( Base-Model ) 基于完整的訓練數據進行訓練，然后元模型( Meta-Model )基于基模型的輸出結果進行訓練。 2.3.4 模型評估 任務設置中支持多種機器學習模型的技術評估指標，分別如下： 分類評估： · 準確率 · 召回率 · F1分數 · ROC曲線 · AUC · KS 回歸評估： · MAE · MSE · RMSE · MSLE · MDAE · R Square · MAPE 聚類評估 · ARI · FMI · SC · CHI 時間序列評估 · 殘差平方和 · 殘差圖