ForecastingJob الفصل

تكوين مهمة التنبؤ ب AutoML.

تهيئة مهمة تنبؤ AutoML جديدة.

توريث

azure.ai.ml.entities._job.automl.tabular.automl_tabular.AutoMLTabular

ForecastingJob

الدالمنشئ

ForecastingJob(*, primary_metric: str | None = None, forecasting_settings: ForecastingSettings | None = None, **kwargs)

المعلمات

primary_metric

Optional[str]

مطلوب

المقياس الأساسي الذي يجب استخدامه لتحديد النموذج.

forecasting_settings

Optional[ForecastingSettings]

مطلوب

إعدادات مهمة التنبؤ.

kwargs

Dict[str, Any]

مطلوب

وسيطات خاصة بالوظيفة

الأساليب

dump	تفريغ محتوى المهمة في ملف بتنسيق YAML.
set_data	تعريف تكوين البيانات.
set_featurization	تعريف تكوين هندسة الميزات.
set_forecast_settings	إدارة المعلمات المستخدمة من قبل مهام التنبؤ.
set_limits	تعيين حدود للوظيفة.
set_training	طريقة تكوين إعدادات التنبؤ المتعلقة بالتدريب.

dump

تفريغ محتوى المهمة في ملف بتنسيق YAML.

dump(dest: str | PathLike | IO, **kwargs) -> None

المعلمات

dest

Union[<xref:PathLike>, str, IO[AnyStr]]

مطلوب

المسار المحلي أو دفق الملف لكتابة محتوى YAML إليه. إذا كان dest مسار ملف، فسيتم إنشاء ملف جديد. إذا كان dest ملفا مفتوحا، فستتم كتابة الملف مباشرة.

kwargs

dict

وسيطات إضافية لتمريرها إلى مسلسل YAML.

استثناءات

FileExistsError

يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.

IOError

يرفع إذا كان dest ملفا مفتوحا وكان الملف غير قابل للكتابة.

set_data

تعريف تكوين البيانات.

set_data(*, training_data: Input, target_column_name: str, weight_column_name: str | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, n_cross_validations: str | int | None = None, cv_split_column_names: List[str] | None = None, test_data: Input | None = None, test_data_size: float | None = None) -> None

المعلمات

training_data

Input

بيانات التدريب.

target_column_name

str

اسم العمود للعمود الهدف.

weight_column_name

Optional[str]

اسم عمود الوزن، الإعدادات الافتراضية إلى بلا

validation_data

Optional[Input]

بيانات التحقق من الصحة، الإعدادات الافتراضية إلى بلا

validation_data_size

Optional[float]

حجم بيانات التحقق من الصحة، يتم تعيينه افتراضيا إلى بلا

n_cross_validations

Optional[Union[str, int]]

n_cross_validations، الإعدادات الافتراضية إلى بلا

cv_split_column_names

Optional[List[str]]

cv_split_column_names، الإعدادات الافتراضية إلى بلا

test_data

Optional[Input]

اختبار البيانات، الإعدادات الافتراضية إلى بلا

test_data_size

Optional[float]

اختبار حجم البيانات، الإعدادات الافتراضية إلى بلا

استثناءات

FileExistsError

يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.

IOError

يرفع إذا كان dest ملفا مفتوحا وكان الملف غير قابل للكتابة.

set_featurization

تعريف تكوين هندسة الميزات.

set_featurization(*, blocked_transformers: List[BlockedTransformers | str] | None = None, column_name_and_types: Dict[str, str] | None = None, dataset_language: str | None = None, transformer_params: Dict[str, List[ColumnTransformer]] | None = None, mode: str | None = None, enable_dnn_featurization: bool | None = None) -> None

المعلمات

blocked_transformers

Optional[List[Union[BlockedTransformers, str]]]

قائمة بأسماء المحولات التي سيتم حظرها أثناء التمييز، يتم تعيينها افتراضيا إلى بلا

column_name_and_types

Optional[Dict[str, str]]

قاموس لأسماء الأعمدة وأنواع الميزات المستخدمة لتحديث الغرض من العمود ، يتم تعيينه افتراضيا إلى بلا

dataset_language

Optional[str]

ثلاثة أحرف رمز ISO 639-3 للغة (اللغات) المضمنة في مجموعة البيانات. يتم دعم لغات أخرى غير الإنجليزية فقط إذا كنت تستخدم الحوسبة التي تدعم GPU. يجب استخدام language_code "mul" إذا كانت مجموعة البيانات تحتوي على لغات متعددة. للعثور على رموز ISO 639-3 للغات مختلفة، يرجى الرجوع إلى https://en.wikipedia.org/wiki/List_of_ISO_639-3_codes، الإعدادات الافتراضية إلى بلا

transformer_params

Optional[Dict[str, List[ColumnTransformer]]]

قاموس المحول ومعلمات التخصيص المقابلة ، يتم تعيينه افتراضيا إلى بلا

mode

Optional[str]

"إيقاف تشغيل"، "تلقائي"، افتراضيات إلى "تلقائي"، افتراضيات إلى بلا

enable_dnn_featurization

Optional[bool]

ما إذا كنت تريد تضمين أساليب هندسة الميزات المستندة إلى DNN، الإعدادات الافتراضية إلى بلا

استثناءات

FileExistsError

يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.

IOError

يرفع إذا كان dest ملفا مفتوحا وكان الملف غير قابل للكتابة.

set_forecast_settings

إدارة المعلمات المستخدمة من قبل مهام التنبؤ.

set_forecast_settings(*, time_column_name: str | None = None, forecast_horizon: str | int | None = None, time_series_id_column_names: str | List[str] | None = None, target_lags: str | int | List[int] | None = None, feature_lags: str | None = None, target_rolling_window_size: str | int | None = None, country_or_region_for_holidays: str | None = None, use_stl: str | None = None, seasonality: str | int | None = None, short_series_handling_config: str | None = None, frequency: str | None = None, target_aggregate_function: str | None = None, cv_step_size: int | None = None, features_unknown_at_forecast_time: str | List[str] | None = None) -> None

المعلمات

time_column_name

Optional[str]

اسم عمود الوقت. هذه المعلمة مطلوبة عند التنبؤ لتحديد عمود التاريخ والوقت في بيانات الإدخال المستخدمة لإنشاء السلسلة الزمنية والاستدلال على تكرارها.

forecast_horizon

أفق التنبؤ الأقصى المطلوب في وحدات تكرار السلاسل الزمنية. القيمة الافتراضية هي 1.

تستند الوحدات إلى الفاصل الزمني لبيانات التدريب الخاصة بك، على سبيل المثال، شهريا وأسبوعيا يجب على التنبؤ بها. عند التنبؤ بنوع المهمة، تكون هذه المعلمة مطلوبة. لمزيد من المعلومات حول تعيين معلمات التنبؤ، راجع التدريب التلقائي لنموذج تنبؤ السلسلة الزمنية.

time_series_id_column_names

Optional[Union[str, List[str]]]

أسماء الأعمدة المستخدمة لتجميع سلسلة زمنية. يمكن استخدامه لإنشاء سلاسل متعددة. إذا لم يتم تعريف أسماء أعمدة معرف السلسلة الزمنية أو لم تحدد أعمدة المعرف المحددة جميع السلاسل في مجموعة البيانات، فسيتم إنشاء معرفات السلاسل الزمنية تلقائيا لمجموعة البيانات الخاصة بك.

target_lags

عدد الفترات السابقة التي يجب أن تتأخر عن العمود الهدف. بشكل افتراضي، يتم إيقاف تشغيل التأخرات.

عند التنبؤ، تمثل هذه المعلمة عدد الصفوف لتتأخر القيم المستهدفة استنادا إلى تكرار البيانات. يتم تمثيل هذا كقائمة أو عدد صحيح واحد. يجب استخدام التأخر عندما لا تتطابق العلاقة بين المتغيرات المستقلة والمتغير التابع أو ترتبط بشكل افتراضي. على سبيل المثال، عند محاولة التنبؤ بالطلب على منتج ما، قد يعتمد الطلب في أي شهر على سعر سلع معينة قبل 3 أشهر. في هذا المثال، قد ترغب في تأخير الهدف (الطلب) سلبا بمقدار 3 أشهر بحيث يتم تدريب النموذج على العلاقة الصحيحة. لمزيد من المعلومات، راجع التدريب التلقائي لنموذج التنبؤ بالسلاسل الزمنية.

ملاحظة حول الكشف التلقائي عن التأخرات المستهدفة وحجم النافذة المتداولة. يرجى الاطلاع على التعليقات المقابلة في قسم النافذة المتداولة. نستخدم الخوارزمية التالية للكشف عن تأخر الهدف الأمثل وحجم النافذة المتداولة.

1. تقدير الحد الأقصى لترتيب التأخر لتحديد ميزة المراجعة. في حالتنا هو عدد الفترات حتى نقاوة تردد التاريخ التالي، أي إذا كان التردد يوميا، فسيكون أسبوع (7)، إذا كان أسبوعا، فسيكون الشهر (4). هذه القيم مضروبة في قيمتين هي أكبر قيم ممكنة من التأخر/النوافذ المتداولة. في أمثلتنا، سننظر في الحد الأقصى للتأخر وهو 14 و8 على التوالي).

2. إنشاء سلسلة غير موسمية عن طريق إضافة الاتجاه والمكونات المتبقية. سيتم استخدام هذا في الخطوة التالية.

3. تقدير PACF - دالة الارتباط التلقائي الجزئي على البيانات من (2) والبحث عن نقاط، حيث يكون الارتباط التلقائي مهما، أي أن قيمته المطلقة هي أكثر من 1.96/square_root(أقصى قيمة تأخر)، والتي تتوافق مع أهمية 95٪.

4. إذا كانت جميع النقاط مهمة، فإننا نعتبرها موسمية قوية ولا ننشئ ميزات المراجعة.

5. نقوم بمسح قيم PACF ضوئيا من البداية والقيمة قبل الارتباط التلقائي الأول غير المهم سيعين التأخر. إذا كان العنصر الهام الأول (القيمة مرتبطة بنفسها) متبوعا بعدم الأهمية، فسيكون التأخير 0 ولن نستخدم ميزات المراجعة.

feature_lags

Optional[str]

وضع علامة لإنشاء تأخرات للميزات الرقمية باستخدام "تلقائي" أو بلا.

target_rolling_window_size

Optional[Union[str, int]]

عدد الفترات السابقة المستخدمة لإنشاء متوسط نافذة متداول للعمود الهدف.

عند التنبؤ، تمثل هذه المعلمة n الفترات التاريخية لاستخدامها لإنشاء قيم متوقعة، <= حجم مجموعة التدريب. إذا تم حذفه، فإن n هو حجم مجموعة التدريب الكامل. حدد هذه المعلمة عندما تريد فقط التفكير في قدر معين من المحفوظات عند تدريب النموذج. إذا تم تعيينها إلى "تلقائي"، فسيتم تقدير النافذة المتداولة كقيمة أخيرة حيث يكون PACF أكثر ثم حد الأهمية. يرجى الاطلاع على قسم target_lags للحصول على التفاصيل.

country_or_region_for_holidays

Optional[str]

البلد/المنطقة المستخدمة لإنشاء ميزات العطلات. يجب أن تكون هذه رموز البلد/المنطقة المكونة من حرفين ISO 3166، على سبيل المثال "US" أو "GB".

use_stl

تكوين تحليل STL لعمود هدف السلسلة الزمنية. يمكن أن تأخذ use_stl ثلاث قيم: لا شيء (افتراضي) - لا يوجد تحليل stl، "الموسم" - فقط إنشاء مكون الموسم season_trend - إنشاء مكونات كل من الموسم والاتجاه.

seasonality

Optional[Union[int, str]

تعيين موسمية السلاسل الزمنية كمضاعف عدد صحيح لتردد السلسلة. إذا تم تعيين الموسمية إلى "تلقائي"، فسيتم استنتاجها. إذا تم تعيينها إلى بلا، يتم افتراض أن السلسلة الزمنية غير موسمية وهو ما يعادل الموسمية =1.

short_series_handling_config

المعلمة التي تحدد كيفية معالجة AutoML للسلاسل الزمنية القصيرة.

القيم المحتملة: "تلقائي" (افتراضي) و"لوحة" و"إسقاط" و"بلا".

• سيتم إضافة سلسلة قصيرة تلقائية إذا لم تكن هناك سلسلة طويلة،

وإلا سيتم إسقاط سلسلة قصيرة.

• سيتم إضافة جميع السلاسل القصيرة.
• سيتم إسقاط جميع السلاسل القصيرة".
• لن يتم تعديل أي سلسلة قصيرة.

إذا تم تعيينه إلى "لوحة"، فسيتم إضافة الجدول بالأصفار والقيم الفارغة للمتراجعات والقيم العشوائية للهدف مع متوسط يساوي قيمة الهدف لمعرف سلسلة زمنية معين. إذا كان الوسيط أكثر أو يساوي صفرا، فسيتم قص الحد الأدنى من القيمة المضافة بمقدار صفر: الإدخال:

التاريخ

numeric_value

string

target

2020-01-01

23

أخضر

55

الإخراج بافتراض أن الحد الأدنى لعدد القيم هو أربعة:

التاريخ

numeric_value

string

target

2019-12-29

0

‏‏غير متوفر

55.1

2019-12-30

0

‏‏غير متوفر

55.6

2019-12-31

0

‏‏غير متوفر

54.5

2020-01-01

23

أخضر

55

ملاحظه: لدينا معلمتان short_series_handling_configuration short_series_handling القديمة. عند تعيين كلا المعلمتين، نقوم بمزاملتهما كما هو موضح في الجدول أدناه (يتم وضع علامة على short_series_handling_configuration short_series_handling للإيجاز على أنها handling_configuration والتعامل على التوالي).

معالجه

معالجة التكوين

المعالجة الناتجة

تكوين المعالجة الناتجة

صواب

auto

صواب

auto

صواب

لوحه

صواب

auto

صواب

drop

صواب

auto

صواب

بلا

خطأ

بلا

خطأ

auto

خطأ

بلا

خطأ

لوحه

خطأ

بلا

خطأ

drop

خطأ

بلا

خطأ

بلا

خطأ

بلا

frequency

تكرار التنبؤ.

عند التنبؤ، تمثل هذه المعلمة الفترة التي تريد التنبؤ بها، على سبيل المثال يوميا وأسبوعيا وسنيا وما إلى ذلك. تردد التنبؤ هو تكرار مجموعة البيانات بشكل افتراضي. يمكنك اختياريا تعيينه إلى تردد أكبر (ولكن ليس أقل) من تردد مجموعة البيانات. سنقوم بتجميع البيانات وإنشاء النتائج بتردد التنبؤ. على سبيل المثال، بالنسبة للبيانات اليومية، يمكنك تعيين التكرار ليكون يوميا أو أسبوعيا أو شهريا، ولكن ليس كل ساعة. يجب أن يكون التردد اسما مستعارا لإزاحة pandas. يرجى الرجوع إلى وثائق pandas لمزيد من المعلومات: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects

target_aggregate_function

الدالة التي سيتم استخدامها لتجميع عمود هدف السلسلة الزمنية لتتوافق مع التردد المحدد من قبل المستخدم. إذا تم تعيين target_aggregation_function، ولكن لم يتم تعيين المعلمة freq، يتم رفع الخطأ. دالات التجميع المستهدفة المحتملة هي: "sum" و"max" و"min" و"mean".

• يتم تجميع قيم العمود الهدف استنادا إلى العملية المحددة. عادة ما يكون المجموع مناسبا لمعظم السيناريوهات.

• يتم تجميع أعمدة التنبؤ العددية في بياناتك حسب المجموع والتوسط والحد الأدنى للقيمة والحد الأقصى للقيمة. ونتيجة لذلك، ينشئ التعلم الآلي المؤتمت أعمدة جديدة لاحقة باسم دالة التجميع ويطبق العملية التجميعية المحددة.

• بالنسبة لأعمدة التنبؤ الفئوية، يتم تجميع البيانات حسب الوضع، وهي الفئة الأكثر بروزا في النافذة.

• يتم تجميع أعمدة متنبأ التاريخ حسب الحد الأدنى للقيمة والحد الأقصى للقيمة ووضعها.

التكرار

target_aggregation_function

آلية تسوية نظام البيانات

بلا (افتراضي)

بلا (افتراضي)

لا يتم تطبيق التجميعات. إذا تعذرت مصادقة صالحة، فسيتم رفع الخطأ.

بعض القيم

بلا (افتراضي)

لا يتم تطبيق التجميعات. إذا كان عدد نقاط البيانات المتوافقة مع تردد togivengrid غير صحيح، فسيتم حذف 90٪ من هذه النقاط، وإلا فسيتم رفع الخطأ.

بلا (افتراضي)

الدالة التجميعية

تم تصنيف الخطأ aboutmissingfrequencyparameter.

بعض القيم

الدالة التجميعية

التكرار التجميعي باستخدامprovidedaggregationfunction.

cv_step_size

Optional[int]

عدد الفترات بين origin_time لطية سيرة ذاتية واحدة والطية التالية. على سبيل المثال، إذا كان n_step = 3 للبيانات اليومية، فسيكون وقت الأصل لكل طية منفصلا بثلاثة أيام.

features_unknown_at_forecast_time

Optional[Union[str, List[str]]]

أعمدة الميزة المتوفرة للتدريب ولكنها غير معروفة في وقت التنبؤ/الاستدلال. إذا تم تعيين features_unknown_at_forecast_time إلى قائمة فارغة، فمن المفترض أن تكون جميع أعمدة الميزات في مجموعة البيانات معروفة في وقت الاستدلال. إذا لم يتم تعيين هذه المعلمة، فلن يتم تمكين دعم الميزات المستقبلية.

استثناءات

FileExistsError

يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.

IOError

يرفع إذا كان dest ملفا مفتوحا وكان الملف غير قابل للكتابة.

set_limits

تعيين حدود للوظيفة.

set_limits(*, enable_early_termination: bool | None = None, exit_score: float | None = None, max_concurrent_trials: int | None = None, max_cores_per_trial: int | None = None, max_nodes: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None, trial_timeout_minutes: int | None = None) -> None

المعلمات

enable_early_termination

Optional[bool]

ما إذا كان يجب تمكين الإنهاء المبكر إذا لم تتحسن النتيجة على المدى القصير، يتم تعيينها افتراضيا إلى بلا.

منطق الإيقاف المبكر:

• لا يوجد توقف مبكر لأول 20 تكرارا (معالم).

• تبدأ نافذة الإيقاف المبكر في التكرار الحادي والعشرين وتبحث عن التكرارات early_stopping_n_iters

  (معين حاليا على 10). وهذا يعني أن التكرار الأول حيث يمكن أن يحدث التوقف هو 31.

• لا يزال AutoML يقوم بجدولة تكرارين لمجموعة بعد الإيقاف المبكر، مما قد يؤدي إلى درجات أعلى.

• يتم تشغيل الإيقاف المبكر إذا كانت القيمة المطلقة لأفضل درجة محسوبة هي نفسها في الماضي

  early_stopping_n_iters التكرارات، أي إذا لم يكن هناك تحسن في درجة التكرارات early_stopping_n_iters.

exit_score

Optional[float]

درجة الهدف للتجربة. تنتهي التجربة بعد الوصول إلى هذه النتيجة. إذا لم يتم تحديدها (بدون معايير)، يتم تشغيل التجربة حتى لا يتم إحراز مزيد من التقدم على المقياس الأساسي. لمزيد من المعلومات حول معايير الخروج، راجع هذه المقالة ، الإعدادات الافتراضية إلى بلا

max_concurrent_trials

Optional[int]

هذا هو الحد الأقصى لعدد التكرارات التي سيتم تنفيذها بالتوازي. القيمة الافتراضية هي 1.

• تدعم مجموعات AmlCompute تكرارا واحدا يعمل لكل عقدة.

بالنسبة لعمليات التشغيل الأصلية لتجربة AutoML المتعددة التي يتم تنفيذها بالتوازي على مجموعة AmlCompute واحدة، يجب أن يكون مجموع max_concurrent_trials القيم لجميع التجارب أقل من الحد الأقصى لعدد العقد أو مساويا له. وإلا، سيتم وضع عمليات التشغيل في قائمة الانتظار حتى تتوفر العقد.

• يدعم DSVM تكرارات متعددة لكل عقدة. max_concurrent_trials ان

يكون أقل من أو يساوي عدد الذاكرات الأساسية على DSVM. بالنسبة للتجارب المتعددة التي يتم تشغيلها بالتوازي على DSVM واحد، يجب أن يكون مجموع max_concurrent_trials القيم لجميع التجارب أقل من الحد الأقصى لعدد العقد أو مساويا له.

• Databricks - max_concurrent_trials يجب أن يكون أقل من أو يساوي عدد

عقد العامل على Databricks.

max_concurrent_trials لا ينطبق على عمليات التشغيل المحلية. في السابق، تمت تسمية concurrent_iterationsهذه المعلمة .

max_cores_per_trial

Optional[int]

الحد الأقصى لعدد مؤشرات الترابط التي يجب استخدامها لتكرار تدريب معين. القيم المقبولة:

• أكبر من 1 وأقل من أو يساوي الحد الأقصى لعدد الذاكرات الأساسية على هدف الحساب.

• يساوي -1، ما يعني استخدام جميع الذاكرات الأساسية الممكنة لكل تكرار لكل تشغيل فرعي.

• يساوي 1، الافتراضي.

max_nodes

Optional[int]

[تجريبي] الحد الأقصى لعدد العقد التي يجب استخدامها للتدريب الموزع.

• للتنبؤ، يتم تدريب كل نموذج باستخدام عقد max(2, int(max_nodes / max_concurrent_trials)).

• للتصنيف/الانحدار، يتم تدريب كل نموذج باستخدام العقد max_nodes.

ملاحظة- هذه المعلمة في المعاينة العامة وقد تتغير في المستقبل.

max_trials

Optional[int]

العدد الإجمالي لمجموعات الخوارزمية والمعلمات المختلفة للاختبار أثناء تجربة التعلم الآلي المؤتمت. إذا لم يتم تحديده، يكون الافتراضي هو 1000 تكرار.

timeout_minutes

Optional[int]

الحد الأقصى لمقدار الوقت بالدقائق التي يمكن أن تستغرقها جميع التكرارات مجتمعة قبل إنهاء التجربة. إذا لم يتم تحديدها، فإن مهلة التجربة الافتراضية هي 6 أيام. لتحديد مهلة أقل من ساعة واحدة أو مساوية لها، تأكد من أن حجم مجموعة البيانات ليس أكبر من 10000000 (عمود أوقات الصفوف) أو نتائج خطأ، يتم تعيينه افتراضيا إلى بلا

trial_timeout_minutes

Optional[int]

الحد الأقصى للوقت بالدقائق الذي يمكن تشغيل كل تكرار له قبل إنهائه. إذا لم يتم تحديدها، يتم استخدام قيمة شهر واحد أو 43200 دقيقة، يتم تعيينها افتراضيا إلى بلا

استثناءات

FileExistsError

يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.

IOError

يرفع إذا كان dest ملفا مفتوحا وكان الملف غير قابل للكتابة.

set_training

طريقة تكوين إعدادات التنبؤ المتعلقة بالتدريب.

set_training(*, enable_onnx_compatible_models: bool | None = None, enable_dnn_training: bool | None = None, enable_model_explainability: bool | None = None, enable_stack_ensemble: bool | None = None, enable_vote_ensemble: bool | None = None, stack_ensemble_settings: StackEnsembleSettings | None = None, ensemble_model_download_timeout: int | None = None, allowed_training_algorithms: List[str] | None = None, blocked_training_algorithms: List[str] | None = None, training_mode: str | TrainingMode | None = None) -> None

المعلمات

enable_onnx_compatible_models

ما إذا كنت تريد تمكين أو تعطيل فرض النماذج المتوافقة مع ONNX. الإعداد الافتراضي هو False. لمزيد من المعلومات حول Open Neural Network Exchange (ONNX) والتعلم الآلي من Microsoft Azure، راجع هذه المقالة.

enable_dnn_training

Optional[bool]

ما إذا كان يجب تضمين نماذج تستند إلى DNN أثناء تحديد النموذج. ومع ذلك، الافتراضي هو True لمهام DNN NLP، وهو False لجميع مهام AutoML الأخرى.

enable_model_explainability

ما إذا كان سيتم تمكين شرح أفضل نموذج AutoML في نهاية جميع تكرارات تدريب AutoML. لمزيد من المعلومات، راجع قابلية التفسير: تفسيرات النموذج في التعلم الآلي التلقائي. ، الإعدادات الافتراضية إلى بلا

enable_stack_ensemble

ما إذا كان يجب تمكين/تعطيل تكرار StackEnsemble. إذا تم تعيين علامة enable_onnx_compatible_models ، فسيتم تعطيل تكرار StackEnsemble. وبالمثل، بالنسبة لمهام Timeseries، سيتم تعطيل تكرار StackEnsemble بشكل افتراضي، لتجنب مخاطر الإفراط في الملاءمة بسبب مجموعة التدريب الصغيرة المستخدمة في ملاءمة متعلم التعريف. لمزيد من المعلومات حول المجموعات، راجع تكوين المجموعة ، الإعدادات الافتراضية إلى بلا

enable_vote_ensemble

ما إذا كان يجب تمكين/تعطيل تكرار VotingEnsemble. لمزيد من المعلومات حول المجموعات، راجع تكوين المجموعة ، الإعدادات الافتراضية إلى بلا

stack_ensemble_settings

Optional[StackEnsembleSettings]

إعدادات تكرار StackEnsemble، الإعدادات الافتراضية إلى بلا

ensemble_model_download_timeout

Optional[int]

أثناء إنشاء نموذج VotingEnsemble و StackEnsemble، يتم تنزيل العديد من النماذج المجهزة من عمليات التشغيل الفرعية السابقة. تكوين هذه المعلمة بقيمة أعلى من 300 ثانية، إذا كانت هناك حاجة إلى مزيد من الوقت، فسيتم تعيين الإعدادات الافتراضية إلى بلا

allowed_training_algorithms

Optional[List[str]]

قائمة بأسماء النماذج للبحث عن تجربة. إذا لم يتم تحديدها، فسيتم استخدام جميع النماذج المدعومة للمهمة مطروحا منها أي نماذج TensorFlow محددة أو blocked_training_algorithms مهملة، يتم تعيينها افتراضيا إلى بلا

blocked_training_algorithms

Optional[List[str]]

قائمة الخوارزميات التي يجب تجاهلها لتجربة ما، يتم تعيينها افتراضيا إلى بلا

training_mode

[تجريبي] وضع التدريب المراد استخدامه. القيم المحتملة هي-

• موزع- يتيح التدريب الموزع للخوارزميات المدعومة.

• non_distributed- يعطل التدريب الموزع.

• تلقائي- حاليا، هو نفس non_distributed. في المستقبل، قد يتغير هذا.

ملاحظة: هذه المعلمة في المعاينة العامة وقد تتغير في المستقبل.

استثناءات

FileExistsError

يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.

IOError

يرفع إذا كان dest ملفا مفتوحا وكان الملف غير قابل للكتابة.

السمات

base_path

المسار الأساسي للمورد.

المرتجعات

المسار الأساسي للمورد.

نوع الإرجاع

str

creation_context

سياق إنشاء المورد.

المرتجعات

بيانات تعريف الإنشاء للمورد.

نوع الإرجاع

Optional[SystemData]

featurization

احصل على إعدادات التمييز الجدولي لمهمة AutoML.

المرتجعات

إعدادات التمييز الجدولي لوظيفة AutoML

نوع الإرجاع

TabularFeaturizationSettings

forecasting_settings

إرجاع إعدادات التنبؤ.

المرتجعات

إعدادات التنبؤ.

نوع الإرجاع

ForecastingSettings

id

معرف المورد.

المرتجعات

المعرف العمومي للمورد، معرف Azure Resource Manager (ARM).

نوع الإرجاع

Optional[str]

inputs

limits

احصل على الحدود الجدولية لمهمة AutoML.

المرتجعات

الحدود الجدولية لوظيفة AutoML

نوع الإرجاع

TabularLimitSettings

log_files

ملفات إخراج الوظيفة.

المرتجعات

قاموس أسماء السجلات وعناوين URL.

نوع الإرجاع

Optional[Dict[str, str]]

log_verbosity

احصل على إسهاب السجل لمهمة AutoML.

المرتجعات

إسهاب السجل لوظيفة AutoML

نوع الإرجاع

<xref:LogVerbosity>

outputs

primary_metric

إرجاع المقياس الأساسي لاستخدامه لتحديد النموذج.

المرتجعات

المقياس الأساسي لاختيار النموذج.

نوع الإرجاع

Optional[str]

status

حالة الوظيفة.

تتضمن القيم الشائعة التي تم إرجاعها "قيد التشغيل" و"مكتمل" و"فشل". جميع القيم المحتملة هي:

• NotStarted - هذه حالة مؤقتة تكون فيها كائنات التشغيل من جانب العميل قبل إرسال السحابة.

• البدء - بدأ التشغيل في المعالجة في السحابة. لدى المتصل معرف تشغيل في هذه المرحلة.

• التوفير - يتم إنشاء حساب عند الطلب لتقديم وظيفة معينة.

• التحضير - يتم إعداد بيئة التشغيل وهي في إحدى مرحلتين:

  • بناء صورة Docker

  • إعداد بيئة conda

• في قائمة الانتظار - يتم وضع المهمة في قائمة الانتظار على هدف الحساب. على سبيل المثال، في BatchAI، تكون المهمة في حالة قائمة الانتظار

  أثناء انتظار أن تكون جميع العقد المطلوبة جاهزة.

• قيد التشغيل - بدأت المهمة في التشغيل على هدف الحساب.

• إنهاء - اكتمل تنفيذ التعليمات البرمجية للمستخدم، والتشغيل في مراحل ما بعد المعالجة.

• CancelRequested - تم طلب الإلغاء للوظيفة.

• مكتمل - اكتمل التشغيل بنجاح. يتضمن ذلك كلا من تنفيذ التعليمات البرمجية للمستخدم وتشغيله

  مراحل ما بعد المعالجة.

• فشل - فشل التشغيل. عادة ما توفر الخاصية Error أثناء التشغيل تفاصيل حول السبب.

• تم الإلغاء - يتبع طلب إلغاء ويشير إلى أن التشغيل قد تم إلغاؤه بنجاح الآن.

• NotResponding - بالنسبة إلى عمليات التشغيل التي تم تمكين Heartbeats فيها، لم يتم إرسال رسالة كشف أخطاء الاتصال مؤخرا.

المرتجعات

حالة الوظيفة.

نوع الإرجاع

Optional[str]

studio_url

نقطة نهاية استوديو التعلم الآلي من Microsoft Azure.

المرتجعات

عنوان URL لصفحة تفاصيل الوظيفة.

نوع الإرجاع

Optional[str]

task_type

الحصول على نوع المهمة.

المرتجعات

نوع المهمة المراد تشغيلها. تتضمن القيم المحتملة: "التصنيف"، و"الانحدار"، و"التنبؤ".

نوع الإرجاع

str

test_data

الحصول على بيانات الاختبار.

المرتجعات

اختبار إدخال البيانات

نوع الإرجاع

Input

training

إرجاع إعدادات تدريب التنبؤ.

المرتجعات

إعدادات التدريب.

نوع الإرجاع

<xref:azure.ai.ml.automl.ForecastingTrainingSettings>

training_data

الحصول على بيانات التدريب.

المرتجعات

إدخال بيانات التدريب

نوع الإرجاع

Input

type

نوع الوظيفة.

المرتجعات

نوع الوظيفة.

نوع الإرجاع

Optional[str]

validation_data

الحصول على بيانات التحقق من الصحة.

المرتجعات

إدخال بيانات التحقق من الصحة

نوع الإرجاع

Input