AutoGluon 1.5.0 全面解析：Tabular 基础模型组合与 Chronos-2 时序预测的双线升级

AutoGluon 1.5.0 全面解析：Tabular 基础模型组合与 Chronos-2 时序预测的双线升级

【免费下载链接】autogluonFast and Accurate ML in 3 Lines of Code项目地址: https://gitcode.com/GitHub_Trending/au/autogluon

AutoGluon 1.5.0 是自 1.4.0 之后的一次双主线大版本更新：在 Tabular 侧引入 RealTabPFN-2/2.5、TabDPT、TabPrep-LightGBM 与 EBM 等新模型，重构了 extreme/best/high 三档 preset 组合；在 TimeSeries 侧接入新一代时序基础模型 Chronos-2，并新增逐条序列集成、多层 Stack 集成与backtest_predictions/backtest_targets回溯接口。读完本文，你将掌握 1.5.0 的全部新增模型、preset 配置细节、依赖与迁移注意事项，并了解这些能力在仓库源码中的具体实现位置，能够直接上手零样本预测、微调与集成实验。

版本概览：支持范围与依赖基线

AutoGluon 1.5.0 由 17 位贡献者提交的 131 个 commit 组成，改动集中发生在autogluon.tabular与autogluon.timeseries两个模块（见 docs/whats_new/v1.5.0.md）。

Python 版本支持：本版本支持 Python 3.10、3.11、3.12 与 3.13；其中 Python 3.13 目前为实验性支持，在 Windows 上运行 Python 3.13 时部分功能可能不可用。

一个重要的兼容性声明：AutoGluon 1.5.0 不支持加载在更早版本上训练出的模型。升级后需要用 1.5.0 重新训练模型，这一点在部署存量任务时务必留意。

依赖版本基线（来自原版发布说明，此处整理为速查表）：

依赖	版本要求
torch	>=2.6,<2.10
seaborn	>=0.12.0,<0.14
onnx	>=1.13.0,<1.21.0
ray	>=2.43.0,<2.53
transformers	>=4.51.0,<4.58
lightning	>=2.5.1,<2.6
psutil	>=5.7.3,<7.2.0
xgboost	>=2.0,<3.2
pytabkit	1.7.2,<1.8
tabpfn	>=6.1.0,<6.1.1
tabicl	0.1.4,<0.2
scikit-learn-intelex	2025.0,<2025.10

此外 1.5.0 在工程层面做了一些清理：full_install.sh改用独立 uv、load_pd/save_pd被清理、common 包移除 LICENSE/NOTICE 文件，并支持按模块单独安装（module-wise installation）。

Spotlight：新一代时序基础模型 Chronos-2

Chronos-2 是 AutoGluon 引入的最新一代时序预测基础模型，其定位是"通用预测"（universal forecasting）：原生支持各类动态协变量（dynamic covariates）、利用批次内多条序列进行跨序列学习（cross-learning），输出多步分位数预测，并且在新数据集上开箱即用的零样本性能很强。

在 AutoGluon 中，Chronos-2 支持三种使用方式：

• 零样本模式（zero-shot）：直接对未见过的时间序列做预测；
• LoRA 微调：低秩适配，训练更快、显存占用更低，是默认的微调方式；
• 全量微调（full fine-tuning）：对全部参数做微调，通常需要更小的学习率。

它无缝集成进标准TimeSeriesPredictor工作流，因此可以自然地做回溯测试、与经典模型和深度学习模型对比、以及在集成中与其他模型组合。

from autogluon.timeseries import TimeSeriesPredictor predictor = TimeSeriesPredictor(...) predictor.fit(train_data, presets="chronos2") # zero-shot mode

从源码看 Chronos-2 的完整超参数

Chronos-2 在仓库中的实现位于 timeseries/src/autogluon/timeseries/models/chronos/chronos2.py，核心类是Chronos2Model，其 docstring 明确说明该实现封装了chronos-forecasting库，且同时支持 GPU 与 CPU（推荐 GPU 以获得更快的推理与微调速度）。模型类声明了_supports_known_covariates = True与_supports_past_covariates = True，与发布说明中"原生支持动态协变量"的定位一致。

Chronos2Model暴露的完整超参数如下（均可通过hyperparameters字典传入）：

参数	默认值	说明
model_path	"autogluon/chronos-2"	Hugging Face 模型名或本地目录
batch_size	256	推理时的批大小
device	None	推理/微调设备，None 时优先使用 GPU
cross_learning	True	开启批次内多条序列的联合预测；开启后结果对batch_size敏感
context_length	None（默认 8192）	推理上下文长度，缩短可加速推理但可能损失精度
fine_tune	False	是否微调
fine_tune_mode	"lora"	"lora"（低秩适配，更快更省显存）或"full"（全量微调）
fine_tune_lr	1e-5	微调学习率；全量微调建议降到 1e-6 量级
fine_tune_steps	1000	微调梯度更新步数
fine_tune_batch_size	32	微调批大小
fine_tune_context_length	2048	微调最大上下文长度
eval_during_fine_tune	False	微调期间做验证以挑选最佳 checkpoint；可能拖慢微调
fine_tune_eval_max_items	256	验证时随机抽样的序列条数上限
fine_tune_lora_config	None	LoRA 配置，如{"r": 8, "lora_alpha": 16}
revision	None	模型分支名或 commit hash
disable_known_covariates	False	即使数据集中有 known covariates 也不使用
disable_past_covariates	False	即使数据集中有 past covariates 也不使用

三个 Chronos-2 预设的源码级定义

在 timeseries/src/autogluon/timeseries/configs/predictor_presets.py 中可以查到 1.5.0 新增的三个 Chronos-2 预设：

• chronos2：使用autogluon/chronos-2，skip_model_selection=True（零样本模式，不做模型选择）；
• chronos2_small：使用autogluon/chronos-2-small，同样跳过模型选择；
• chronos2_ensemble：同时放入两个模型——autogluon/chronos-2零样本 +autogluon/chronos-2-small微调（fine_tune=True、eval_during_fine_tune=True），通过name_suffix区分，最终由集成机制组合二者。

配套的完整入门教程在 docs/tutorials/timeseries/forecasting-chronos.ipynb，其中覆盖零样本、微调与集成三个场景的详细代码。

测试佐证：协变量被 Chronos-2 真实使用

仓库中的单元测试 timeseries/tests/unittests/models/chronos/test_chronos2.py 直接验证了"仅提供 past covariates 时 Chronos-2 会使用它们"（test_when_past_only_covariates_provided_then_chronos2_uses_them），并断言预测时predict_df被调用。这说明动态协变量支持并非文档宣传，而是有测试保障的实现事实。

AutoGluon Tabular Extreme：1.5 版新组合

AutoGluon 1.5 Extreme 在 TabArena（51 个数据集）上的 Elo 从 1.4 Extreme 的 1675 提升到1736（+60 Elo）。按发布说明，相较 1.4 Extreme，1.5 Extreme 平均训练时间减半、推理速度快 50%、胜率 70%、相对误差降低 2.8%。与 1.4 版"根据数据规模切换混合组合"的策略不同，1.5 版对所有数据集使用单一固定模型组合（portfolio）。

官方给出的 TabArena All（51 个数据集）对比数据如下（来源：发布说明，AutoGluon 1.5 (extreme, 4h)限定 4 小时训练预算）：

Model	Elo ⬆️	Improvability (%) ⬇️	Train Time (s/1K) ⬇️	Predict Time (s/1K) ⬇️
AutoGluon 1.5 (extreme, 4h)	1736	3.498	289.07	4.031
AutoGluon 1.4 (extreme, 4h)	1675	6.381	582.21	6.116
AutoGluon 1.4 (best, 4h)	1536	9.308	1735.72	2.559

使用 1.5 Extreme 的三点前提（务必注意）：

1. 需要 GPU，理想情况下至少 20 GB 显存以保证稳定性；
2. 性能增益主要出现在训练样本数不超过 10 万的数据集上；
3. 组合内的 TabDPT、TabICL、TabPFN、Mitra 需要额外安装依赖。

# pip install autogluon.tabular[tabarena] # <-- Required for TabDPT, TabICL, TabPFN, and Mitra from autogluon.tabular import TabularPredictor predictor = TabularPredictor(...).fit(train_data, presets="extreme") # GPU required

1.5 版新组合的三个改进点

按发布说明，1.5 Extreme 的三个显著改进是：

1. 新增 TabDPT 模型——完全在真实数据上预训练的表格基础模型；
2. 新增 TabPrep-LightGBM——带自定义预处理逻辑（目标均值编码 target mean encoding、特征交叉 feature crossing）的 LightGBM；
3. 为组合新增早停逻辑——在小数据集上提前停止训练，缓解过拟合并降低训练时间。

此外，1.5 Extreme 组合只使用开放且许可宽松（permissive）的模型，适合生产与商业场景。

1.5 版 preset 的源码级配置

1.5.0 新增的三个 preset 别名是"extreme"（即extreme_v150）、"best_v150"、"high_v150"，其完整定义在 tabular/src/autogluon/tabular/configs/presets_configs.py：

• extreme_quality_v150（别名extreme_v150，当前extreme默认指向更新的组合）：auto_stack=True、dynamic_stacking="auto"、num_stack_levels=0、time_limit=3600，超参数组合为zeroshot_2025_12_18_gpu，并配置EarlyStoppingCountCallback，其 patience 随训练集规模递增（[[100,4],[500,8],[2500,15],[10000,40],[100000,100],None]）；
• best_quality_v150（别名best_v150）：同样num_stack_levels=0，超参数组合为CPU版zeroshot_2025_12_18_cpu，即不需要 GPU；
• high_quality_v150（别名high_v150）：在best_quality_v150基础上追加refit_full=True、set_best_to_refit_full=True、save_bag_folds=False，换取更快的推理与更小的磁盘占用。

GPU 组合里究竟有什么模型？

1.5 Extreme 依赖的 GPU 组合定义在 tabular/src/autogluon/tabular/configs/zeroshot/zeroshot_portfolio_gpu_2025_12_18.py。从源码看，该组合包含：

• TABDPT：多个变体，分别配置clip_sigma（8/16）、feature_reduction（subsample/pca）、normalizer（quantile-uniform/log1p/standard/robust）、permute_classes、temperature（0.5/0.7）等；
• TABICL、MITRA（vary_seed_across_folds=True）等表格基础模型；
• TABM：多个tabm-mini架构变体，超参数精确到 dropout、lr、d_embedding、num_emb_n_bins等；
• CAT（CatBoost）、GBM（LightGBM，含bagging_fraction、extra_trees、cat_smooth、num_leaves等完整调参结果）；
• REALTABPFN-V2：多个变体，配置了preprocessing/scaling（如squashing_scaler_default、quantile_uni_coarse）、preprocessing/global（如svd_quarter_components）、inference_config/OUTLIER_REMOVAL_STD、softmax_temperature等 TabPFN 特有参数。

这也印证了发布说明中"单一固定组合"的说法——所有数据集共享这一套经过大规模调参的模型集合，靠集成（ensemble）而不是靠按数据规模切换来保证效果。

新增模型详解（一）：RealTabPFN-2 与 RealTabPFN-2.5

RealTabPFN-2.5 是当前 TabArena 上单个模型最强的表格基础模型。它基于 TabPFN-2 系列，但需要注意两点关键区别：

• 许可证差异：TabPFN-2 是宽松许可（permissive）；而RealTabPFN-2.5 是非商业许可，需要先在 Hugging Face 上认证并接受使用条款才能下载权重。在 AutoGluon 的fit调用中，如果指定了 RealTabPFN-2.5，用户会被自动提示完成这些步骤；在权重下载完成前该模型会被跳过；
• 预设集成差异：RealTabPFN-2.5目前不包含在任何 AutoGluon 预设中，必须手动指定。

另外，AutoGluon 中已禁用所有 TabPFN 用户遥测（telemetry）。

使用 RealTabPFN-2.5（仅限非商业用途）：

# pip install autogluon.tabular[all,tabpfn] from autogluon.tabular import TabularPredictor predictor = TabularPredictor(...).fit( train_data, hyperparameters={"REALTABPFN-V2.5": [{}]}, ) # GPU required, non-commercial

使用 RealTabPFN-2（宽松许可）：

# pip install autogluon.tabular[all,tabpfn] from autogluon.tabular import TabularPredictor predictor = TabularPredictor(...).fit(train_data, hyperparameters={"REALTABPFN-V2": [{}]}) # GPU required

迁移建议：之前使用"TABPFNV2"的用户，官方强烈建议切换到"REALTABPFN-V2"，以避免最新 TabPFN 版本带来的破坏性变更。RealTabPFN 系列的仓库实现位于 tabular/src/autogluon/tabular/models/tabpfnv2（含tabpfnv2_5_model.py、tabpfn3_model.py等），权重加载与校验逻辑在_weight_fetch.py。

新增模型详解（二）：TabDPT

TabDPT 是专为"在真实数据上扩展表格基础模型"而设计的模型（相关论文为《TabDPT: Scaling Tabular Foundation Models on Real Data》），采用宽松许可，可放心用于商业场景。

# pip install autogluon.tabular[all,tabdpt] from autogluon.tabular import TabularPredictor predictor = TabularPredictor(...).fit(train_data, hyperparameters={"TABDPT": [{}]}) # GPU recommended

仓库实现位于 tabular/src/autogluon/tabular/models/tabdpt，包含tabdpt_model.py与tabdpt_turbo_model.py两个模型类及独立的权重管理模块。配套测试 tabular/tests/unittests/models/test_tabdpt.py 覆盖了基础拟合与"缺失类别保留"（test_tabdpt_preprocess_preserves_missing_categoricals）等预处理边界情况，后者验证了缺失值以 -1 编码时不丢失缺失信息且不引入越界值。

新增模型详解（三）：TabPrep-LightGBM

TabPrep-LightGBM 是一个实验性模型，本质是"自定义数据预处理管线 + LightGBM"：通过目标均值编码、特征交叉等预处理增强 LightGBM 的性能。发布说明明确指出它是进行中研究工作的快照，细节将在后续论文中公布。

它目前在 TabArena 最大的 15 个数据集（1 万 ~ 10 万训练样本）上创下了单模型性能新纪录，官方给出的对比数据如下（来源：发布说明中的 TabArena Medium 表）：

Model	Elo ⬆️	Imp (%) ⬇️	Train Time (s/1K) ⬇️	Predict Time (s/1K) ⬇️
AutoGluon 1.5 (extreme, 4h)	1965	1.876	191.18	2.207
AutoGluon 1.4 (extreme, 4h)	1813	3.016	289.53	3.187
AutoGluon 1.4 (best, 4h)	1794	3.122	432.35	4.085
TabPrep-LightGBM (tuned + ensembled)	1787	3.573	256.12	2.281
RealTabPFN-v2.5 (tuned + ensembled)	1680	5.818	735.58	11.736
RealMLP (tuned + ensembled)	1649	6.102	1719.82	1.675
ModernNCA (tuned + ensembled)	1636	6.189	2526.28	6.013
CatBoost (tuned + ensembled)	1616	6.011	777.59	0.25
LightGBM (tuned + ensembled)	1598	7.77	131.56	2.639

按发布说明，TabPrep-LightGBM 在 15 个最大数据集上比 RealTabPFN-2.5 高约 100 Elo，同时仅用 8 个 CPU 核心拟合速度快 3 倍；它已被纳入 AutoGluon 1.5 extreme 组合。

使用方式：官方建议通过"extreme"、"best_v150"、"high_v150"这三个 preset 间接使用它，因为在 preset 之外单独拟合 TabPrep-LightGBM 目前比较繁琐。其实现位于 tabular/src/autogluon/tabular/models/tabprep，PrepLGBModel继承自ModelAgnosticPrepMixin与LGBModel，即"预处理插件 + LightGBM"的组合结构。在 CPU 组合 tabular/src/autogluon/tabular/configs/zeroshot/zeroshot_portfolio_cpu_2025_12_18.py 中可以看到GBM_PREP的具体配置：ag.prep_params指定了ArithmeticFeatureGenerator与CategoricalInteractionFeatureGenerator、OOFTargetEncodingFeatureGenerator的组合（这正是发布说明提到的特征交叉与目标均值编码），配合passthrough_types限定无效原始类型为category/object。

新增模型详解（四）：可解释 Boosting Machine（EBM）

1.5.0 还引入了 EBM（Explainable Boosting Machine），这是 AutoGluon-Tabular 对可解释模型的补强。实现位于 tabular/src/autogluon/tabular/models/ebm/ebm_model.py，底层使用interpret库的ExplainableBoostingClassifier/ExplainableBoostingRegressor，支持自动交互检测（automatic interaction detection），在保持较强精度的同时提供高度可解释性。安装依赖：

pip install interpret

Tabular 模块的其他改进

新特性清单

• 表格数据的新预处理器（PR #5441）；
• 新模型 LightGBMPrep（PR #5490）；
• 新模型 TabPFN-2.5 与 TabDPT（PR #5434）；
• 新模型 Explainable Boosting Machine（PR #4480）；
• 新增 1.5.0 版本 preset（PR #5505）。

关键修复与体验优化

• 加权集成中"预测值为 inf 且权重为 0"时的 bug 修复（PR #5317）；
• TabularPredictor.delete_models默认dry_run=False（PR #5260）；
• 支持每个折使用不同随机种子（vary_seed_across_folds，PR #5267）；
• 默认输出目录的 base path 变更（PR #5285）；
• Mitra 增加download_default_weights与 Hugging Face 参数支持（PR #5271、#5272）；
• Flash Attentionunpad_input兼容性保障（PR #5298）；
• 验证策略选择逻辑重构（PR #4585）；
• LightGBM CUDA 设备日志与 ray 异常优雅处理（PR #5325、#5327）；
• TabularDataset新增 Load/Save（PR #5357）；
• 修复模型随机状态（PR #5369）、RF/XT 并行模式显存估算（PR #5467）；
• 支持在 CPU 上加载 GPU 训练出的模型（PR #5403、#5434）；
• parallel_local拟合策略的 GPU 优化与调度（PR #5388）；
• 修复 XGBoost 在超参数中配置 eval metric 名时的崩溃（PR #5493）。

TimeSeries 模块的全面升级

发布说明给出的总体结论是：在点预测与概率预测任务上，v1.5 相对 v1.4 的胜率最高可达80%；仅 10 分钟时间预算的 v1.5 就能胜过运行 2 小时的 v1.4。

核心亮点

• Chronos-2：支持零样本推理以及全量/LoRA 微调（详见前文）；
• 可定制的集成逻辑：新增逐条序列集成（item-level ensembling）、**多层 Stack 集成（multi-layer stack ensembles）**及其他高级预测组合方法，完整指南见 docs/tutorials/timeseries/forecasting-ensembles.md；
• 新 preset：带来精度与效率的大幅提升；
• 易用性改进：num_val_windows="auto"与refit_every_n_windows="auto"可自动确定合适的回溯测试配置；新增预测器方法backtest_predictions与backtest_targets，便于获取验证预测并在自定义数据上做滚动评估。

从源码看新的集成方法

1.5.0 的集成代码被系统性重组，基础目录为 timeseries/src/autogluon/timeseries/models/ensemble。关键新组件包括：

• LinearStackerEnsemble（array_based/models.py）：通过梯度优化学习线性组合权重的 Stack 集成。weights_per参数控制权重粒度："m"（每个模型一个权重）、"mq"（每个模型-分位组合）、"mt"（每个模型-时间步）、"mtq"（模型-分位-时间步组合）；另有lr=0.1、max_epochs=10000、relative_tolerance=1e-7、prune_below（权重裁剪阈值，低于阈值置零并重新分配）、isotonization="sort"（防止分位交叉）、detect_and_ignore_failures=True（忽略损失大于中位数 10 倍的失败模型）；
• PerItemGreedyEnsemble（per_item_greedy.py）：逐条序列做贪心集成选择的实现，即"item-level ensembling"；
• 此外还有MedianEnsemble、TabularEnsemble、PerQuantileTabularEnsemble、GreedyEnsemble等基础集成器，形成一套以 array-based 为基类的集成家族（ArrayBasedTimeSeriesEnsembleModel）。

从源码看新回溯测试接口

backtest_predictions与backtest_targets在 timeseries/src/autogluon/timeseries/predictor.py 中实现。backtest_predictions(data=None, model=None, num_val_windows=None, val_step_size=None, use_cache=True)的行为要点：

• 当data=None时返回训练期间保存的验证预测；
• 提供data时按扩展窗口（expanding window）策略将数据切成多个窗口生成预测，要求序列长度至少为prediction_length + (num_val_windows - 1) * val_step_size + 1；
• model支持单个名字（返回 list）或多个名字（返回dict），默认使用验证分数最高的模型；
• 每个窗口对应的真实目标值由backtest_targets提供。

新增模型：Toto

1.5.0 还引入了Toto（Time-Series-Optimized Transformer for Observability）模型，实现位于 timeseries/src/autogluon/timeseries/models/toto。从源码 docstring 看：

• 这是一个 1.51 亿参数的 decoder-only 架构，在 DataDog 内部可观测性系统超 1T 数据点以及 GIFT-eval、Chronos 预训练、合成时序语料上训练，自回归输出参数化分布预测；
• AutoGluon 实现为纯推理（inference only），不会在用户训练数据上训练或微调；
• 必须使用 CUDA GPU；
• 关键超参数：model_path="Datadog/Toto-Open-Base-1.0"、batch_size=24、num_samples=256、device="cuda"、context_length=4096、compile_model=True（用torch.compile加速推理）。

仓库中还包含更新的 Toto-2 模型目录 timeseries/src/autogluon/timeseries/models/toto2（默认权重Datadog/Toto-2.0-22m），对应版本说明中"Add Toto model"之后持续的模型迭代。

API 变更与废弃

时序旧 preset 移除：与初代 Chronos 相关的预设chronos、chronos_large、chronos_base、chronos_small、chronos_mini、chronos_tiny、chronos_ensemble均被移除，官方建议改用chronos2、chronos2_small与chronos2_ensemble。

修复与工程质量

• _check_and_prepare_data_frame中将inf替换为NaN（PR #5240）；
• 新增模型注册表并修复 preset 类型（PR #5100）；
• ITEMID/TIMESTAMP移入 dataset 命名空间（PR #5363）；
• 移除废弃参数与类（PR #5354）；
• Chronos 代码替换为对chronos-forecasting的依赖（PR #5380、#5383）；
• 修复date_feature与已知协变量冲突时报错的问题（PR #5414）；
• ray改为autogluon.timeseries的可选依赖（PR #5430）；
• 特征重要性 DataFrame 排序（PR #5468）、NPTS 模型确定性化（PR #5471）、基数存入CovariateMetadata（PR #5476）；
• 代码质量方面：可训练模型集合构建逻辑重构、prediction cache 移出 trainer、集成训练逻辑与 trainer 解耦、升级到 Python 3.10 类型注解、新增计时工具并修复集成回归器的时限问题。

Multimodal 模块

本版本 Multimodal（AutoMM）主要是修复性更新：

• 修复 Focal Loss（PR #5496）；
• 修复带偶然文本的图片被误判为文档的假阳性问题（PR #5469）；
• 更新 AutoMM 教程（PR #5167）。

文档与 CI

• 澄清tuning_data文档（PR #5296）；
• 修复 CI 并升级 Ray（PR #5306）、修复 notebook 构建失败（PR #5348）、修复 Docker 构建（PR #5402）、修复 CodeQL GitHub Action（PR #5367）；
• 收敛 GitHub Token 权限（PR #5351）；
• 文档模块重排（PR #5404）、移除 ROADMAP.md（PR #5405）、为 Chronos-2 与多层 Stack 集成补充引用（PR #5412）；
• 修复 torch<2.10 环境下的 CI 问题（PR #5435）。

升级迁移速查

升级到 1.5.0 前，请核对以下四项：

1. 旧模型不可加载：用 1.4 及更早版本训练出的模型无法在 1.5.0 加载，需重新训练；
2. TabPFN 命名变更："TABPFNV2"→"REALTABPFN-V2"（宽松许可）或"REALTABPFN-V2.5"（非商业许可，需 Hugging Face 认证）；
3. 时序预设迁移：chronos*系列预设全部移除，改用chronos2/chronos2_small/chronos2_ensemble；
4. Python 版本：Python 3.13 为实验性支持，Windows 上部分功能可能不可用。

总结

AutoGluon 1.5.0 的核心变化可以概括为"两条主线、一批新模型、一次预设重构"：TimeSeries 侧以 Chronos-2 为旗舰打通了零样本预测、微调与高级集成的全链路，并以backtest_predictions/backtest_targets补齐了验证与回测体验；Tabular 侧则以 RealTabPFN-2/2.5、TabDPT、TabPrep-LightGBM、EBM 四类新模型和extreme/best_v150/high_v150三档 preset 重新定义了 CPU/GPU 两条组合路线。如果你需要更细的配置细节，建议直接阅读仓库中的 presets_configs.py、GPU/CPU 组合配置文件以及 chronos2.py 的完整超参数说明，配合两个模块的单元测试可以快速验证行为预期。

【免费下载链接】autogluonFast and Accurate ML in 3 Lines of Code项目地址: https://gitcode.com/GitHub_Trending/au/autogluon