Comparação de Frameworks de AutoML: Desempenho e Seleção de Modelos
Resumo
Este trabalho apresenta uma análise comparativa de cinco frameworks de AutoML aplicados a cinco datasets de classificação binária, avaliando o desempenho dos modelos. A métrica AUC foi utilizada como principal critério de comparação. Sem ensembles, AutoGluon e MLJAR alternaram as melhores colocações. Com ensembles, técnicas que combinam múltiplos modelos para reduzir erros e melhorar a precisão, o AutoGluon venceu em todos os datasets.Referências
Baratchi, M., Wang, C., Limmer, S., van Rijn, J. N., Hoos, H., Bäck, T., and Olhofer, M. (2024). Automated machine learning: past, present and future. Artificial Intelligence Review, 57(5):1–88.
Jidney, T. T., Biswas, A., Nasim, M. A. A., Hossain, I., Alam, M. J., Talukder, S., Hossain, M., and Ullah, M. A. (2023). Automl systems for medical imaging.
Metin, A. and Bilgin, T. T. (2024). Automated machine learning for fabric quality prediction: a comparative analysis. PeerJ Computer Science.
Rice, J. R. (1976). The algorithm selection problem. In Advances in computers, volume 15, pages 65–118. Elsevier.
Shahab Hosseini, Rashed Pourmirzaee, D. J. A. and Sabri, M. M. S. (2023). Prediction of ground vibration due to mine blasting in a surface lead–zinc mine using machine learning ensemble techniques. Scientific Reports.
Shen, Z., Zhang, Y., Wei, L., Zhao, H., and Yao, Q. (2018). Automated machine learning: From principles to practices. arXiv preprint arXiv:1810.13306.
Villarreal-Torres, H., Ángeles-Morales, J., Cano-Mejía, J., Mejía-Murillo, C., Flores-Reyes, G., Cruz-Cruz, O., Urcia-Quispe, M., Palomino-Márquez, M., Solar-Jara, M. Á., and Escobedo-Zarzosa, R. (2024). Comparative analysis of performance of automl algorithms: Classification model of payment arrears in students of a private university. EAI Endorsed Transactions on Scalable Information Systems, 11(4).
Jidney, T. T., Biswas, A., Nasim, M. A. A., Hossain, I., Alam, M. J., Talukder, S., Hossain, M., and Ullah, M. A. (2023). Automl systems for medical imaging.
Metin, A. and Bilgin, T. T. (2024). Automated machine learning for fabric quality prediction: a comparative analysis. PeerJ Computer Science.
Rice, J. R. (1976). The algorithm selection problem. In Advances in computers, volume 15, pages 65–118. Elsevier.
Shahab Hosseini, Rashed Pourmirzaee, D. J. A. and Sabri, M. M. S. (2023). Prediction of ground vibration due to mine blasting in a surface lead–zinc mine using machine learning ensemble techniques. Scientific Reports.
Shen, Z., Zhang, Y., Wei, L., Zhao, H., and Yao, Q. (2018). Automated machine learning: From principles to practices. arXiv preprint arXiv:1810.13306.
Villarreal-Torres, H., Ángeles-Morales, J., Cano-Mejía, J., Mejía-Murillo, C., Flores-Reyes, G., Cruz-Cruz, O., Urcia-Quispe, M., Palomino-Márquez, M., Solar-Jara, M. Á., and Escobedo-Zarzosa, R. (2024). Comparative analysis of performance of automl algorithms: Classification model of payment arrears in students of a private university. EAI Endorsed Transactions on Scalable Information Systems, 11(4).
Publicado
12/11/2025
Como Citar
PUNHAGUI, Bruno Chimentão; BOVO, Alessandro Botelho; SANCHES, Danilo Sipoli.
Comparação de Frameworks de AutoML: Desempenho e Seleção de Modelos. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DA REGIÃO SUL (ERAMIA-RS), 1. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 13-16.
DOI: https://doi.org/10.5753/eramiars.2025.16287.
