AutoGluon端到端需规避默认行为断层：label须为字符串列名而非Series；NaN标签行被静默跳过；浮点型标签易误判为回归，应转int/str；presets选"medium_quality_faster_inference"更适生产；ONNX导出仅支持LightGBM/XGBoost且需预检；模型集成细节需查_predictor._trainer属性。
AutoGluon 真的能做到“端到端”——但前提是别把它当黑盒用，尤其在真实项目里，它默认行为和你预期之间常有几处关键断层。
TabularPredictor.fit() 会自动推断任务类型，但标签列必须是明确的 Series 或字符串
常见错误现象：ValueError: label must be a string or pandas.Series 或模型输出全是同一类。
- 确保传入
fit()的train_data是pandas.DataFrame，且label参数是列名字符串（如"Survived"），不是train_data["Survived"]这样的Series—— 后者会导致内部校验失败或静默降级为回归 - 如果标签含空值（
NaN），TabularPredictor默认跳过整行，但不会报错；建议提前用train_data.dropna(subset=[label])显式清理 - 类别型标签若为数字（如
0/1），框架能识别为分类；但若为浮点数（如0.0/1.0），可能被误判为回归任务 —— 强制转成int或str更稳
presets 参数决定实际行为边界，不是“越高质量越好”
presets="best_quality" 看似最优，但在中等规模数据（>5万行）或资源受限机器上极易 OOM 或卡死。
-
"medium_quality_faster_inference"是多数生产场景的起点：它禁用部分高开销模型（如 neural network with large embedding），缩短训练时间 3–5 倍，精度损失通常 -
"good_quality_faster_inference"会跳过 bagging 和 stacking，默认只训单模型；适合快速验证 baseline - 若需 GPU 加速，必须显式传
num_gpus=1（即使只有一张卡），否则即使环境有 GPU，fit()也默认走 CPU
predict() 输出不等于原始标签，而是预测值 + 置信度（分类时）
直接调用 predictor.predict(test_data) 返回的是预测结果（如 0 或 "spam"），但丢失了不确定性信息。
立即学习“Python免费学习笔记（深入）”；
- 要获取概率分布，必须用
predictor.predict_proba(test_data)—— 它返回DataFrame，每列是类别，每行是样本概率 - 对回归任务，
predict()返回数值，但predictor.get_model_best()返回的是底层模型名（如"LightGBM"），不是可调用对象；如需 inspect 模型，得从predictor._trainer.load_model("LightGBM")获取原生实例 - 注意
predict()不做缺失值填充 —— 若test_data有新出现的类别（如训练没见过的"Unknown"），默认按"unknown"处理并警告；可通过predictor.set_preprocessing_params(unknown_category_policy="impute")改变策略
模型保存/加载后，predict() 行为可能突变
用 predictor.save("my_model") 保存后，再用 TabularPredictor.load("my_model") 加载，看似无缝，但有个隐藏坑：
- 加载后的 predictor 对新数据做
predict()时，**不会重新拟合预处理器** —— 它复用训练时的统计量（如均值、类别映射表）；所以测试数据分布偏移大时，结果可能严重失真 - 若需跨环境部署（如训练在 Linux，推理在 Windows），务必确认
pandas和numpy版本一致；版本差 >0.1 就可能触发AttributeError: 'DataFrame' object has no attribute 'to_numpy' - 导出为 ONNX 仅支持部分模型（当前限于 LightGBM/XGBoost），且需额外装
onnx和onnxmltools；调用predictor.export_onnx()前先检查predictor.can_export_onnx()
真正麻烦的不是怎么跑通，而是当 predictor.leaderboard(silent=True) 显示 12 个模型、耗时 47 分钟、最佳模型是 "WeightedEnsemble_L2" 时，你得知道它到底 Ensemble 了哪几个、每个权重多少、以及为什么没选那个 "NeuralNetFastAI" —— 这些细节不在默认日志里，得翻 predictor._trainer.model_names 和 predictor._trainer.get_models_load_info() 才能挖出来。
