مخطط مهمة أمر التنبؤ التلقائي ل CLI (v2) YAML
ينطبق على: ملحق ML Azure CLI v2 (الحالي)
يمكن العثور على مخطط JSON المصدر في https://azuremlschemas.azureedge.net/latest/autoMLForecastingJob.schema.json
إشعار
يعتمد بناء YAML المفصل في هذا المستند على مخطط JSON لأحدث إصدار من ملحق الإصدار الثاني من واجهة مستوى الاستدعاء للتعليم الآلي. إن هذا البناء مضمون للعمل فقط مع أحدث إصدار من ملحق الإصدار الثاني من واجهة مستوى الاستدعاء للتعليم الآلي. بإمكانك العثور على مخططات إصدارات الملحق الأقدم في https://azuremlschemasprod.azureedge.net/.
بناء YAML
المفتاح | النوع | الوصف | القيم المسموح بها | القيمة الافتراضية |
---|---|---|---|---|
$schema |
سلسلة | الموقع/url لتحميل مخطط YAML. إذا كان المستخدم يستخدم ملحق Azure التعلم الآلي VS Code لتأليف ملف YAML، بما في ذلك $schema في أعلى الملف، يمكن المستخدم من استدعاء المخطط وإكمال الموارد. |
||
compute |
سلسلة | مطلوب. اسم البنية الأساسية لحساب التعلم الآلي لتنفيذ المهمة. يمكن أن يكون الحساب إما مرجعا إلى جهاز حساب موجود في مساحة العمل ملاحظة: لا تدعم المهام في البنية الأساسية لبرنامج ربط العمليات التجارية "المحلية" ك compute . يعني 'local' هنا أن مثيل الحساب الذي تم إنشاؤه في مساحة عمل Azure التعلم الآلي studio للمستخدم. |
1. نمط [^azureml:<compute_name>] لاستخدام الحوسبة الموجودة،2. 'local' لاستخدام التنفيذ المحلي |
'local' |
limits |
كائن | يمثل كائن قاموس يتكون من تكوينات الحد من الوظيفة الجدولية ML التلقائية. المفتاح هو اسم الحد ضمن سياق المهمة والقيمة هي قيمة الحد. راجع الحدود لمعرفة خصائص هذا الكائن. |
||
name |
سلسلة | اسم مهمة التعلم الآلي الآلي المرسلة. يجب أن يكون فريدا عبر جميع الوظائف في مساحة العمل. إذا لم يتم تحديده، يقوم Azure التعلم الآلي تلقائيا بإنشاء GUID للاسم. |
||
description |
سلسلة | وصف وظيفة التعلم الآلي التلقائي. | ||
display_name |
سلسلة | اسم المهمة التي يريد المستخدم عرضها في واجهة مستخدم الاستوديو. يمكن أن يكون غير فريد داخل مساحة العمل. إذا تم حذفه، يقوم Azure التعلم الآلي تلقائيا بإنشاء معرف صفة-اسم قابل للقراءة من قبل الإنسان لاسم العرض. | ||
experiment_name |
سلسلة | اسم التجربة. التجارب هي سجلات لمهام التدريب على التعلم الآلي على Azure. تحتوي التجارب على نتائج عمليات التشغيل الخاصة بك، جنبا إلى جنب مع السجلات والمخططات والرسوم البيانية. يتم تنظيم سجل تشغيل كل وظيفة ضمن التجربة المقابلة في علامة التبويب "التجارب" في الاستوديو. |
اسم دليل العمل الذي تم إنشاؤه فيه | |
environment_variables |
كائن | كائن قاموس متغيرات البيئة لتعيينه على العملية حيث يتم تنفيذ الأمر. | ||
outputs |
كائن | يمثل قاموسا لتكوينات الإخراج للوظيفة. المفتاح هو اسم الإخراج ضمن سياق الوظيفة والقيمة هي تكوين الإخراج. راجع إخراج الوظيفة لمعرفة خصائص هذا الكائن. | ||
log_files |
كائن | كائن قاموس يحتوي على سجلات لتنفيذ مهمة التعلم الآلي التلقائي | ||
log_verbosity |
سلسلة | مستوى إسهاب السجل للكتابة إلى ملف السجل. يتم تعريف القيم المقبولة في مكتبة تسجيل Python. |
'not_set' ، 'debug' ، 'info' ، 'warning' ، ، 'error' 'critical' |
'info' |
type |
مؤهل const | مطلوب. نوع الوظيفة. |
automl |
automl |
task |
مؤهل const | مطلوب. نوع مهمة التعلم الآلي التلقائي المراد تنفيذها. |
forecasting |
forecasting |
target_column_name |
سلسلة | مطلوب. يمثل اسم العمود الذي سيتم التنبؤ به. تثير مهمة التعلم الآلي التلقائي خطأ إذا لم يتم تحديدها. |
||
featurization |
كائن | كائن قاموس يحدد تكوين التمييز المخصص. في حالة عدم إنشائه، يطبق تكوين التعلم الآلي التلقائي التمييز التلقائي. راجع التضمين لمشاهدة خصائص هذا الكائن. | ||
forecasting |
كائن | كائن قاموس يحدد إعدادات مهمة التنبؤ. راجع التنبؤ لمعرفة خصائص هذا الكائن. | ||
n_cross_validations |
سلسلة أو عدد صحيح | عدد عمليات التحقق المتقاطعة التي يجب إجراؤها أثناء تحديد النموذج/المسار إذا validation_data لم يتم تحديدها.في حالة عدم توفير كل من validation_data هذه المعلمة أو تعيينها إلى None ، قم بتعيين مهمة التعلم الآلي التلقائي إلى auto افتراضيا. في حالة distributed_featurization تمكينه ولم validation_data يتم تحديده، يتم تعيينه إلى 2 بشكل افتراضي. |
'auto' ، [int] |
None |
primary_metric |
سلسلة | مقياس يحسنه التعلم الآلي التلقائي لتحديد نموذج التنبؤ بالسلاسل الزمنية. إذا كان allowed_training_algorithms لديه "tcn_forecaster" لاستخدامه للتدريب، فإن التعلم الآلي يدعم فقط في "normalized_root_mean_squared_error" و"normalized_mean_absolute_error" لاستخدامها primary_metric. |
"spearman_correlation" ، ، "normalized_root_mean_squared_error" "r2_score" "normalized_mean_absolute_error" |
"normalized_root_mean_squared_error" |
training |
كائن | كائن قاموس يحدد التكوين المستخدم في تدريب النموذج. تحقق من التدريب لمعرفة خصائص هذا الكائن. |
||
training_data |
كائن | مطلوب كائن قاموس يحتوي على تكوين MLTable يحدد بيانات التدريب لاستخدامها كمدخل لتدريب النموذج. هذه البيانات هي مجموعة فرعية من البيانات ويجب أن تتكون من كل من الميزات/الأعمدة المستقلة والميزة/العمود الهدف. يمكن للمستخدم استخدام MLTable مسجل في مساحة العمل باستخدام التنسيق ':' (على سبيل المثال Input(mltable='my_mltable:1')) يمكن ل OR استخدام ملف محلي أو مجلد محلي ك MLTable(على سبيل المثال Input(mltable=MLTable(local_path="./data")). يجب توفير هذا الكائن. إذا لم تكن الميزة الهدف موجودة في الملف المصدر، فإن التعلم الآلي التلقائي يطرح خطأ. تحقق من بيانات التدريب أو التحقق من الصحة أو الاختبار لمعرفة خصائص هذا الكائن. |
||
validation_data |
كائن | كائن قاموس يحتوي على تكوين MLTable يحدد بيانات التحقق من الصحة لاستخدامها داخل تجربة التعلم الآلي التلقائي للتحقق من الصحة المتقاطع. يجب أن يتكون من كل من الميزات/الأعمدة المستقلة والميزة/العمود الهدف إذا تم توفير هذا الكائن. لا يمكن أن تتداخل العينات في بيانات التدريب وبيانات التحقق من الصحة في طية. راجع بيانات التدريب أو التحقق من الصحة أو الاختبار لمعرفة خصائص هذا الكائن. في حالة عدم تعريف هذا الكائن، يستخدم n_cross_validations التعلم الآلي التلقائي لتقسيم بيانات التحقق من الصحة من بيانات التدريب المحددة في training_data العنصر. |
||
test_data |
كائن | كائن قاموس يحتوي على تكوين MLTable يحدد بيانات الاختبار لاستخدامها في تشغيل الاختبار للتنبؤات في استخدام أفضل نموذج وتقييم النموذج باستخدام مقاييس محددة. يجب أن يتكون من ميزات مستقلة فقط تستخدم في بيانات التدريب (بدون ميزة الهدف) إذا تم توفير هذا الكائن. تحقق من بيانات التدريب أو التحقق من الصحة أو الاختبار لمعرفة خصائص هذا الكائن. إذا لم يتم توفيره، فإن التعلم الآلي التلقائي يستخدم أساليب مضمنة أخرى لاقتراح أفضل نموذج لاستخدامه للاستدلال. |
limits
المفتاح | النوع | الوصف | القيم المسموح بها | القيمة الافتراضية |
---|---|---|---|---|
enable_early_termination |
boolean | يمثل ما إذا كان يجب تمكين إنهاء التجربة إذا لم تتحسن درجة الخسارة بعد عدد "x" من التكرارات. في وظيفة التعلم الآلي التلقائي، لا يتم تطبيق أي توقف مبكر في أول 20 تكرارا. تبدأ نافذة الإيقاف المبكر فقط بعد أول 20 تكرارا. |
true , false |
true |
max_concurrent_trials |
integer | الحد الأقصى لعدد التجارب (وظائف الأطفال) التي سيتم تنفيذها بالتوازي. يوصى بشدة بتعيين عدد عمليات التشغيل المتزامنة إلى عدد العقد في نظام المجموعة (حساب aml المحدد في compute ). |
1 |
|
max_trials |
integer | يمثل الحد الأقصى لعدد الإصدارات التجريبية التي يمكن لمهمة التعلم الآلي الآلي محاولة تشغيل خوارزمية تدريب مع مجموعة مختلفة من المعلمات الفائقة. يتم تعيين قيمته الافتراضية إلى 1000. إذا enable_early_termination تم تعريفه، يمكن أن يكون عدد التجارب المستخدمة لتشغيل خوارزميات التدريب أصغر. |
1000 |
|
max_cores_per_trial |
integer | يمثل الحد الأقصى لعدد الذاكرات الأساسية لكل التي تتوفر لاستخدامها من قبل كل إصدار تجريبي. يتم تعيين قيمته الافتراضية إلى -1، ما يعني استخدام جميع الذاكرات الأساسية في العملية. | -1 |
|
timeout_minutes |
integer | الحد الأقصى للوقت بالدقائق التي يمكن أن تستغرقها مهمة التعلم الآلي الآلي المرسلة للتشغيل. بعد الفترة الزمنية المحددة، يتم إنهاء المهمة. تتضمن هذه المهلة الإعداد، والتميز، وتشغيل التدريب، والتضمين، وقابلية شرح النموذج (إذا تم توفيرها) لجميع الإصدارات التجريبية. لاحظ أنه لا يتضمن تشغيل ensembling وقابلية شرح النموذج في نهاية العملية إذا فشلت المهمة في الاكتمال ضمن المقدمة timeout_minutes نظرا لأن هذه الميزات متاحة بمجرد الانتهاء من جميع التجارب (وظائف الأطفال). يتم تعيين قيمته الافتراضية إلى 360 دقيقة (6 ساعات). لتحديد مهلة أقل من أو تساوي ساعة واحدة (60 دقيقة)، يجب على المستخدم التأكد من أن حجم مجموعة البيانات ليس أكبر من 10,000,000 (عمود أوقات الصفوف) أو نتائج خطأ. |
360 |
|
trial_timeout_minutes |
integer | الحد الأقصى لمقدار الوقت بالدقائق التي يمكن تشغيل كل إصدار تجريبي (وظيفة تابعة) في وظيفة التعلم الآلي الآلي المقدمة. بعد الفترة الزمنية المحددة، سيتم إنهاء المهمة التابعة. | 30 |
|
exit_score |
عائم | النتيجة التي يجب تحقيقها من خلال تجربة. تنتهي التجربة بعد الوصول إلى النتيجة المحددة. إذا لم يتم تحديدها (بدون معايير)، يتم تشغيل التجربة حتى لا يتم إحراز أي تقدم آخر على المحدد primary metric . |
التنبؤ
المفتاح | النوع | الوصف | القيم المسموح بها | القيمة الافتراضية |
---|---|---|---|---|
time_column_name |
سلسلة | مطلوب اسم العمود في مجموعة البيانات الذي يتوافق مع المحور الزمني لكل سلسلة زمنية. يجب أن تحتوي مجموعة بيانات الإدخال للتدريب أو التحقق من الصحة أو الاختبار على هذا العمود إذا كانت المهمة هي forecasting . إذا لم يتم توفيرها أو تعيينها إلى None ، فإن مهمة التنبؤ التلقائي ب ML تطرح خطأ وتنهي التجربة. |
||
forecast_horizon |
سلسلة أو عدد صحيح | أفق التنبؤ الأقصى بوحدات تكرار السلاسل الزمنية. تستند هذه الوحدات إلى الفاصل الزمني المستنتج لبيانات التدريب الخاصة بك، (على سبيل المثال: شهريا، أسبوعيا) التي يستخدمها التنبؤ للتنبؤ. إذا تم تعيينه إلى بلا أو auto ، تعيين قيمته الافتراضية إلى 1، بمعنى 't+1' من الطابع الزمني الأخير t في بيانات الإدخال. |
auto ، [int] |
1 |
frequency |
سلسلة | التردد الذي يكون فيه توليد التنبؤ مطلوبا، على سبيل المثال يوميا، أسبوعيا، سنويا، وما إلى ذلك. إذا لم يتم تحديده أو تعيينه إلى بلا، استنتاج قيمته الافتراضية من فهرس وقت مجموعة البيانات. يمكن للمستخدم تعيين قيمته أكبر من التردد المستنتج لمجموعة البيانات، ولكن ليس أقل منه. على سبيل المثال، إذا كان تكرار مجموعة البيانات يوميا، فقد يستغرق قيما مثل اليومية والأسبوعية والشهرية، ولكن ليس كل ساعة حيث أن كل ساعة أقل من يومية (24 ساعة). راجع وثائق pandas لمزيد من المعلومات. |
None |
|
time_series_id_column_names |
سلسلة أو قائمة (سلاسل) | أسماء الأعمدة في البيانات التي سيتم استخدامها لتجميع البيانات في سلاسل زمنية متعددة. إذا لم يتم تعريف time_series_id_column_names أو تعيينها إلى بلا، يستخدم التعلم الآلي التلقائي منطق الكشف التلقائي للكشف عن الأعمدة. | None |
|
feature_lags |
سلسلة | يمثل ما إذا كان المستخدم يريد إنشاء تأخيرات تلقائيا للميزات الرقمية المتوفرة. يتم تعيين الإعداد الافتراضي إلى auto ، مما يعني أن التعلم الآلي يستخدم الاستدلال المستند إلى التصحيح التلقائي لتحديد طلبات التأخير تلقائيا وإنشاء ميزات تأخير مقابلة لجميع الميزات الرقمية. تعني كلمة "بلا" عدم إنشاء أي تأخر لأي ميزات رقمية. |
'auto' , None |
None |
country_or_region_for_holidays |
سلسلة | البلد أو المنطقة التي سيتم استخدامها لإنشاء ميزات العطلات. يجب تمثيل هذه الأحرف في رموز البلد/المنطقة ISO 3166 المكونة من حرفين، على سبيل المثال "US" أو "GB". يمكن العثور على قائمة رموز ISO في https://wikipedia.org/wiki/List_of_ISO_3166_country_codes. | None |
|
cv_step_size |
سلسلة أو عدد صحيح | عدد الفترات بين origin_time لطية سيرة ذاتية واحدة والطية التالية. على سبيل المثال، إذا تم تعيينه إلى 3 للبيانات اليومية، فإن وقت الأصل لكل طية هو ثلاثة أيام منفصلة. إذا تم تعيينه إلى بلا أو لم يتم تحديده، تعيينه إلى auto بشكل افتراضي. إذا كان من نوع عدد صحيح، فإن الحد الأدنى للقيمة التي يمكن أن يأخذها هو 1 وإلا فإنه يثير خطأ. |
auto ، [int] |
auto |
seasonality |
سلسلة أو عدد صحيح | موسمية السلسلة الزمنية كمضاعف عدد صحيح لتردد السلسلة. إذا لم يتم تحديد الموسمية، يتم تعيين قيمتها إلى 'auto' ، مما يعني أنه يتم استنتاجها تلقائيا بواسطة التعلم الآلي التلقائي. إذا لم يتم تعيين هذه المعلمة إلى None ، يفترض التعلم الآلي التلقائي السلاسل الزمنية على أنها غير موسمية، وهو ما يعادل تعيينها كقيمة عدد صحيح 1. |
'auto' ، [int] |
auto |
short_series_handling_config |
سلسلة | يمثل كيفية معالجة التعلم الآلي التلقائي للسلسلة الزمنية القصيرة إذا تم تحديدها. يستغرق القيم التالية:
|
'auto' ، ، 'pad' ، 'drop' None |
auto |
target_aggregate_function |
سلسلة | يمثل الدالة التجميعية التي سيتم استخدامها لتجميع العمود الهدف في سلسلة زمنية وإنشاء التنبؤات بتردد محدد (محدد في freq ). إذا تم تعيين هذه المعلمة، ولكن لم يتم تعيين المعلمة freq ، رفع خطأ. يتم حذفه أو تعيينه إلى بلا، ثم لا يتم تطبيق أي تجميع. |
'sum' ، ، 'max' ، 'min' 'mean' |
auto |
target_lags |
سلسلة أو عدد صحيح أو قائمة (عدد صحيح) | عدد الفترات السابقة/التاريخية التي يجب استخدامها للتأخر عن القيم المستهدفة استنادا إلى تكرار مجموعة البيانات. بشكل افتراضي، يتم إيقاف تشغيل هذه المعلمة. 'auto' يسمح الإعداد للنظام باستخدام التأخير التلقائي القائم على الأساليب الإرشادية. يجب استخدام خاصية التأخر هذه عندما لا ترتبط العلاقة بين المتغيرات المستقلة والمتغير التابع بشكل افتراضي. لمزيد من المعلومات، راجع ميزات Lagged للتنبؤ بالسلاسل الزمنية في التعلم الآلي التلقائي. |
'auto' ، [int] |
None |
target_rolling_window_size |
سلسلة أو عدد صحيح | عدد الملاحظات السابقة التي يجب استخدامها لإنشاء متوسط نافذة متجدد للعمود الهدف. عند التنبؤ، تمثل هذه المعلمة n من الفترات التاريخية لاستخدامها لإنشاء قيم متوقعة، <= حجم مجموعة التدريب. إذا تم حذفها، فإن n هو حجم مجموعة التدريب الكامل. حدد هذه المعلمة عندما تريد فقط التفكير في قدر معين من المحفوظات عند تدريب النموذج. | 'auto' العدد الصحيح None |
None |
use_stl |
سلسلة | المكونات التي يجب إنشاؤها عن طريق تطبيق تحليل STL على السلاسل الزمنية. إذا لم يتم توفيره أو تعيينه إلى بلا، فلن يتم إنشاء مكون سلسلة زمنية. يمكن أن تأخذ use_stl قيمتين: 'season' : لإنشاء مكون الموسم. 'season_trend' : لإنشاء كل من مكونات التعلم الآلي المؤتمتة ومكونات الاتجاه في الموسم. |
'season' , 'seasontrend' |
None |
بيانات التدريب أو التحقق من الصحة أو الاختبار
المفتاح | النوع | الوصف | القيم المسموح بها | القيمة الافتراضية |
---|---|---|---|---|
datastore |
سلسلة | اسم مخزن البيانات حيث يتم تحميل البيانات من قبل المستخدم. | ||
path |
سلسلة | المسار الذي يجب تحميل البيانات منه. يمكن أن يكون مسارا أو folder مسارا file أو pattern للمسارات. pattern يحدد نمط بحث للسماح ب globbing(* و ** ) من الملفات والمجلدات التي تحتوي على البيانات. أنواع URI المتوافقة هي azureml ، وhttps ، وwasbs ، وabfss ، وadl . لمزيد من المعلومات، راجع بناء جملة yaml الأساسي لفهم كيفية استخدام azureml:// تنسيق URI. URI لموقع ملف البيانات الاصطناعية. إذا لم يكن عنوان URI هذا يحتوي على نظام (على سبيل المثال، http: وazureml: وما إلى ذلك)، اعتباره مرجعا محليا ويتم تحميل الملف الذي يشير إليه إلى مساحة العمل الافتراضية blob-storage عند إنشاء الكيان. |
||
type |
مؤهل const | نوع بيانات الإدخال. من أجل إنشاء نماذج رؤية الكمبيوتر، يحتاج المستخدم إلى إحضار بيانات الصورة المسماة كمدخل لتدريب النموذج في شكل MLTable. | mltable |
mltable |
تدريب
المفتاح | النوع | الوصف | القيم المسموح بها | القيمة الافتراضية |
---|---|---|---|---|
allowed_training_algorithms |
list(string) | قائمة خوارزميات التنبؤ بالسلسلة الزمنية لتجربتها كنموذج أساسي لتدريب النموذج في تجربة. إذا تم حذفه أو تعيينه إلى بلا، استخدام جميع الخوارزميات المدعومة أثناء التجربة، باستثناء الخوارزميات المحددة في blocked_training_algorithms . |
'auto_arima' ، ، 'prophet' 'seasonal_naive' 'naive' ، ، 'average' ، 'seasonal_average' ، 'exponential_smoothing' ، 'arimax' ، 'tcn_forecaster' ، 'elastic_net' ، 'gradient_boosting' ، 'decision_tree' ، ، 'knn' ، ، 'lasso_lars' ، 'sgd' ، ، 'random_forest' ، ، ، 'light_gbm' 'extreme_random_trees' 'xg_boost_regressor' |
None |
blocked_training_algorithms |
list(string) | قائمة خوارزميات التنبؤ بالسلسلة الزمنية التي يجب عدم تشغيلها كنموذج أساسي أثناء تدريب النموذج في تجربة. إذا تم حذفه أو تعيينه إلى بلا، استخدام جميع الخوارزميات المدعومة أثناء تدريب النموذج. | 'auto_arima' ، ، 'prophet' 'naive' ، 'seasonal_naive' ، 'average' ، 'seasonal_average' ، 'exponential_smoothing' ، 'arimax' 'tcn_forecaster' ، 'gradient_boosting' 'elastic_net' ، 'decision_tree' ، 'knn' ، ، 'lasso_lars' ، 'sgd' ، 'random_forest' ، ، 'extreme_random_trees' ، ، 'light_gbm' 'xg_boost_regressor' |
None |
enable_dnn_training |
boolean | علامة لتشغيل تضمين النماذج المستندة إلى DNN أو إيقاف تشغيلها لتجربتها أثناء تحديد النموذج. | True , False |
False |
enable_model_explainability |
boolean | يمثل علامة لتشغيل إمكانية شرح النموذج مثل أهمية الميزة، لأفضل نموذج يتم تقييمه بواسطة نظام التعلم الآلي التلقائي. | True , False |
True |
enable_vote_ensemble |
boolean | علامة لتمكين أو تعطيل تجميع بعض النماذج الأساسية باستخدام خوارزمية التصويت. لمزيد من المعلومات حول مجموعات، راجع إعداد القطار التلقائي. | true , false |
true |
enable_stack_ensemble |
boolean | علامة لتمكين أو تعطيل تجميع بعض النماذج الأساسية باستخدام خوارزمية التكديس. في مهام التنبؤ، يتم إيقاف تشغيل هذه العلامة بشكل افتراضي، لتجنب مخاطر الملاءمة الزائدة بسبب مجموعة التدريب الصغيرة المستخدمة في ملاءمة متعلم التعريف. لمزيد من المعلومات حول مجموعات، راجع إعداد القطار التلقائي. | true , false |
false |
featurization
المفتاح | النوع | الوصف | القيم المسموح بها | القيمة الافتراضية |
---|---|---|---|---|
mode |
سلسلة | وضع التمييز الذي سيتم استخدامه من قبل وظيفة التعلم الآلي التلقائي. تعيينه إلى: 'auto' يشير إلى ما إذا كان يجب إجراء خطوة التمييز تلقائيا'off' يشير إلى عدم وجود تمييز<'custom' يشير إلى ما إذا كان يجب استخدام التمييز المخصص. ملاحظة: إذا كانت بيانات الإدخال متفرقة، فلا يمكن تشغيل التمييز. |
'auto' ، ، 'off' 'custom' |
None |
blocked_transformers |
list(string) | قائمة بأسماء المحولات التي سيتم حظرها أثناء خطوة التمييز بواسطة التعلم الآلي التلقائي، إذا تم تعيين التمييز mode إلى "مخصص". |
'text_target_encoder' ، 'one_hot_encoder' ، 'cat_target_encoder' ، 'tf_idf' ، 'wo_e_target_encoder' ، 'label_encoder' ، 'word_embedding' ، 'naive_bayes' ، ، 'count_vectorizer' 'hash_one_hot_encoder' |
None |
column_name_and_types |
كائن | كائن قاموس يتكون من أسماء الأعمدة كمفتاح dict وأنواع ميزات تستخدم لتحديث الغرض من العمود كقيمة مقترنة، إذا تم تعيين التضمين mode إلى "مخصص". |
||
transformer_params |
كائن | كائن قاموس متداخل يتكون من اسم المحول كمفتاح ومعلمات التخصيص المقابلة على أعمدة مجموعة البيانات للتميز، إذا تم تعيين التضمين mode إلى "مخصص".يدعم imputer التنبؤ المحول للتخصيص فقط.تحقق من column_transformers لمعرفة كيفية إنشاء معلمات التخصيص. |
None |
column_transformers
المفتاح | النوع | الوصف | القيم المسموح بها | القيمة الافتراضية |
---|---|---|---|---|
fields |
list(string) | قائمة بأسماء الأعمدة التي يجب تطبيق أسماء الأعمدة التي transformer_params تم توفيرها عليها. |
||
parameters |
كائن | كائن قاموس يتكون من "استراتيجية" كمفتاح وقيمة كإستراتيجية الإسناد. يتم توفير مزيد من التفاصيل حول كيفية توفيرها، في الأمثلة هنا. |
مخرجات المهمة
المفتاح | النوع | الوصف | القيم المسموح بها | القيمة الافتراضية |
---|---|---|---|---|
type |
سلسلة | نوع مخرجات الوظيفة. بالنسبة للنوع الافتراضي uri_folder ، يتوافق الإخراج مع مجلد. |
uri_folder ، ، mlflow_model custom_model |
uri_folder |
mode |
سلسلة | وضع كيفية تسليم ملف (ملفات) الإخراج إلى التخزين الوجهة. بالنسبة لوضع تحميل القراءة والكتابة (rw_mount ) دليل الإخراج هو دليل مثبت. بالنسبة لوضع التحميل، يتم تحميل الملف (الملفات) المكتوبة في نهاية المهمة. |
rw_mount , upload |
rw_mount |
كيفية تشغيل مهمة التنبؤ عبر CLI
az ml job create --file [YOUR_CLI_YAML_FILE] --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]
ارتباطات سريعة لمزيد من المرجع:
الملاحظات
https://aka.ms/ContentUserFeedback.
قريبًا: خلال عام 2024، سنتخلص تدريجيًا من GitHub Issues بوصفها آلية إرسال ملاحظات للمحتوى ونستبدلها بنظام ملاحظات جديد. لمزيد من المعلومات، راجعإرسال الملاحظات وعرضها المتعلقة بـ