用途：提升模型性能、效率与推理速度，减小模型体积，或用自动化方式完成机器学习流程。
主要能力：
- 超参数调优：网格搜索（GridSearchCV）、贝叶斯优化（scikit-optimize 的 BayesSearchCV）、Optuna（定义 objective 后 study.optimize 最大化得分）。
- 模型压缩：PyTorch 训练后动态量化与量化感知训练；全局非结构化剪枝（prune.global_unstructured，如剪去 20% 权重后 prune.remove）；知识蒸馏（软目标 KL 散度与硬目标交叉熵按 alpha 组合，温度 T=3.0）。
- AutoML：autosklearn、H2O AutoML、TPOT（可导出最佳流水线）。
- 特征选择：SelectKBest、RFE、SelectFromModel。
- 性能优化：PyTorch 导出 ONNX 并用 onnxruntime 推理；ONNX 转 TensorRT 以加速 GPU 推理；学习率调度（StepLR、CosineAnnealingLR）；早停类 EarlyStopping。
使用方式：资料以 Python 代码示例给出，需在相应库环境（scikit-learn、xgboost/skopt、optuna、torch、autosklearn、h2o、tpot、onnxruntime、tensorrt 等）中按示例调用。
适用场景：模型调参、压缩部署、自动化机器学习与推理加速。
限制：资料为示例代码，未提供安装命令、版本要求、平台限制、收费信息或效果实测数据；示例中的加速比（如 4 倍缩小、2-4 倍加速、10 倍 GPU 推理加速）为原文注释，未提供验证条件。