Este é um componente que utiliza a biblioteca auto-sklearn para obter um ou mais modelos regressores já otimizados. O auto-sklearn é um kit de ferramentas de machine learning automatizado e um substituto para estimator do scikit-learn.

Espera-se como entrada para o componente uma tabela com colunas que representam valores numéricos, categóricos ou de data. Os valores de data devem ser removidos ou selecionados para codificação ordinal para que o modelo consiga processá-los. A tabela deve ser de um dos seguintes tipos: Comma-separated values (.csv) ou Excel (.xls, .xlsx).

A seguir são listados todos os parâmetros utilizados pelo componente:

• Atributo alvo: feature (Obrigatório).
  Seu modelo será treinado para prever os valores do alvo.
• Modo de seleção das features: string, {"incluir", "remover"}, padrão: "remover".
  Se deseja informar quais features deseja incluir no modelo, selecione a opção ‘incluir'. Caso deseje informar as features que não devem ser utilizadas, selecione ‘remover'.
• Features para incluir/remover no modelo: feature.
  Seu modelo será feito considerando apenas as features selecionadas. Caso nada seja especificado, todas as features serão utilizadas.
• Features para fazer codificação ordinal: feature.
  Seu modelo utilizará a codificação ordinal para as features selecionadas. As demais features categóricas serão codificadas utilizando One-Hot-Encoding.
• Tempo máximo de busca: integer, padrão: 60.
  Limite de tempo (em segundos) para a procura de modelos apropriados.
• Tempo máximo para ajuste de modelo: integer, padrão: 60.
  Limite de tempo (em segundos), para uma única chamada, para ajuste de um modelo de Machine Learning.
• Ensemble Learning: integer, padrão: 50.
  Número de modelos adicionados ao conjunto criado pela seleção do Ensemble das bibliotecas de modelos.
• Gráficos a serem ignorados: string, {"Dados de Teste", "Erro da Regressão", "Diferença do Erro", "Diferença Ordenada do Erro", "Erro Absoluto", "Probabilidade do Erro", "Erro de Segmentos", "Tabelas de Dados"}.
  Considerando a quantidade de gráficos que são retornados ao executar a experimentação, o usuário pode selecionar quais ele não deseja visualizar.

As métricas de performance tem o propósito de ajudar o usuário a avaliar a performance do modelo. Essas métricas variam de acordo com o tipo de problema, tal como: classificação, regressão, agrupamento, entre outros.

1. Coeficiente de determinação (ou R²): Corresponde à correlação ao quadrado entre os valores de resultado observados e os valores previstos pelo modelo.
2. Erro médio absoluto (MAE): Média do erro absoluto considerando os valores de resultado observados e os valores previstos pelo modelo.
3. Erro médio quadrático (MSE): Média quadrática do erro considerando os valores de resultado observados e os valores previstos pelo modelo.

O retorno durante a experimentação ajuda o usuário a analisar tanto métricas distintas de forma visual, como a distribuição dos dados e os dados brutos ao final da execução. Sendo assim, é possível visualizar diversos retornos para este componente como os listados a seguir:

1. Dados de teste
   Apresenta a distribuição dos dados de teste considerando as duas características mais relevantes para o modelo e o rótulo.
2. Distribuição do erro na regressão
   Apresenta a distribuição do erro na regressão como uma estimativa de densidade do kernel. Significa que 95% dos erros estão abaixo da linha azul contínua e 70% deles se encontram dentro da faixa vermelha. No eixo "Estimativa de densidade do kernel" pode-se entender que há mais erros daquela magnitude, olhar o eixo "Erro obtido", para valores maiores de estimativa de densidade.
3. Distribuição do rótulo
   Apresenta a diferença entre o resultado observado e os valores preditos.
4. Distribuição do rótulo ordenada
   Apresenta a diferença entre o resultado observado e os valores preditos de maneira ordenada.
5. Erro absoluto
   Apresenta o erro absoluto considerando o resultado observado e os valores preditos.
6. Probabilidade do erro
   Apresenta a comparação do erro e da normal.
7. Erro por segmento
   Apresenta comparação da estimativa de densidade do kernel para segmentos distintos.
8. Tabela dos dados
   Apresenta visualização dos dados após o treinamento do modelo com a variável resposta e dados sobre o modelo.

O retorno durante a implantação se refere a tabela com os valores preditos para o atributo alvo. Sendo que, cada linha da tabela se refere a um registro enviado ao modelo.