请问autogluon可以做时间序列预测任务吗？有实例代码可以参考吗，谢谢
以下是一个使用Autogluon进行时间序列预测的简单示例代码：
from autogluon.tabular import TabularDataset, TabularPredictor
train_data = TabularDataset('train.csv')
test_data = TabularDataset('test.csv')
label_column = 'target'
predictor = TabularPredictor(label=label_column, problem_type='regression')
predictor.fit(train_data)
predictions = predictor.predict(test_data)
上述代码使用Autogluon读取训练和测试数据，并指定目标变量的名称。然后，使用TabularPredictor类拟合模型，并使用predict方法进行预测。
注意，这只是一个简单的示例。在实际应用中，您可能需要对模型进行更多的调整和优化，以获得更好的性能。同时，您还需要根据数据集的特征进行适当的特征工程。
// 你没看错，这个里也要超参数调优。 哈哈哈，用于调优模型的模型也是有参数的：
使用：
time_limit = 60 # for quick demonstration only, you should set this to longest time you are willing to wait (in seconds)
metric = 'roc_auc' # specify your evaluation metric here
predictor = TabularPredictor(label, eval_metric=metric).fit(train_data, time_limit=time_limit, presets='best_quality')
predictor.leaderboard(test_data, silent=True)
参数说明：
百度翻译：
此命令实施以下策略以最大限度地提高准确性：
1. 指定参数presets='best_quality'，它允许 AutoGluon 基于stacking/ bagging 自动构建强大的模型集成，并且如果给予足够的训练时间，将大大改善结果预测。的默认值presets是 'medium_quality_faster_train'，这会产生不太准确的模型，但有助于更快地进行原型设计。使用presets，您可以灵活地优先考虑预测准确性与训练/推理速度。例如，如果您不太关心预测性能并希望快速部署基本模型，请考虑使用： 。presets=['good_quality_faster_inference_only_refit', 'optimize_for_deployment']
2. 提供eval_metric，如果你知道什么指标将用来评估你的应用程序的预测。您可能使用的其他一些非默认指标包括：（'f1'用于二元分类）、'roc_auc'（用于二元分类）、 'log_loss'（用于分类）、'mean_absolute_error'（用于回归）、'median_absolute_error'（用于回归）。您还可以定义自己的自定义度量函数，请参阅文件夹中的示例：autogluon/core/metrics/
3. 包括您的所有数据，train_data但不提供 tuning_data（AutoGluon 将更智能地拆分数据以满足其需求）。
4. 不要指定hyperparameter_tune_kwargs参数（与直觉相反，超参数调整不是花费有限训练时间预算的最佳方式，因为模型集成通常更优）。我们建议您仅hyperparameter_tune_kwargs 在您的目标是部署单个模型而不是集成时使用。
5. 不要指定hyperparameters参数（允许 AutoGluon 自适应地选择要使用的模型/超参数）。
6. 设置time_limit为您愿意等待的最长时间（以秒为单位）。AutoGluon 的预测性能提高了fit()允许运行的时间越长。
原文：
This command implements the following strategy to maximize accuracy:
Specify the argument presets='best_quality', which allows AutoGluon to automatically construct powerful model ensembles based on stacking/bagging, and will greatly improve the resulting predictions if granted sufficient training time. The default value of presets is 'medium_quality_faster_train', which produces less accurate models but facilitates faster prototyping. With presets, you can flexibly prioritize predictive accuracy vs. training/inference speed. For example, if you care less about predictive performance and want to quickly deploy a basic model, consider using: presets=['good_quality_faster_inference_only_refit', 'optimize_for_deployment'].
Provide the eval_metric if you know what metric will be used to evaluate predictions in your application. Some other non-default metrics you might use include things like: 'f1' (for binary classification), 'roc_auc' (for binary classification), 'log_loss' (for classification), 'mean_absolute_error' (for regression), 'median_absolute_error' (for regression). You can also define your own custom metric function, see examples in the folder: autogluon/core/metrics/
Include all your data in train_data and do not provide tuning_data (AutoGluon will split the data more intelligently to fit its needs).
Do not specify the hyperparameter_tune_kwargs argument (counterintuitively, hyperparameter tuning is not the best way to spend a limited training time budgets, as model ensembling is often superior). We recommend you only use hyperparameter_tune_kwargs if your goal is to deploy a single model rather than an ensemble.
Do not specify hyperparameters argument (allow AutoGluon to adaptively select which models/hyperparameters to use).
Set time_limit to the longest amount of time (in seconds) that you are willing to wait. AutoGluon’s predictive performance improves the longer fit() is allowed to run.