ForecastingJob الفصل
تكوين مهمة التنبؤ ب AutoML.
تهيئة مهمة تنبؤ AutoML جديدة.
- توريث
-
azure.ai.ml.entities._job.automl.tabular.automl_tabular.AutoMLTabularForecastingJob
الدالمنشئ
ForecastingJob(*, primary_metric: str | None = None, forecasting_settings: ForecastingSettings | None = None, **kwargs)
المعلمات
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
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
يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.
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.
استثناءات
يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.
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
قاموس لأسماء الأعمدة وأنواع الميزات المستخدمة لتحديث الغرض من العمود ، يتم تعيينه افتراضيا إلى بلا
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
ما إذا كنت تريد تضمين أساليب هندسة الميزات المستندة إلى DNN، الإعدادات الافتراضية إلى بلا
استثناءات
يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.
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
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.
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.
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).
إنشاء سلسلة غير موسمية عن طريق إضافة الاتجاه والمكونات المتبقية. سيتم استخدام هذا في الخطوة التالية.
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٪.
إذا كانت جميع النقاط مهمة، فإننا نعتبرها موسمية قوية ولا ننشئ ميزات المراجعة.
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.
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.
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.
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.
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.
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
يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.
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
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.
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
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_iterations
هذه المعلمة .
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.
[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.
العدد الإجمالي لمجموعات الخوارزمية والمعلمات المختلفة للاختبار أثناء تجربة التعلم الآلي المؤتمت. إذا لم يتم تحديده، يكون الافتراضي هو 1000 تكرار.
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
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
يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.
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.
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
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
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
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
يرفع إذا كان dest هو مسار ملف والملف موجود بالفعل.
يرفع إذا كان dest ملفا مفتوحا وكان الملف غير قابل للكتابة.
السمات
base_path
creation_context
featurization
احصل على إعدادات التمييز الجدولي لمهمة AutoML.
المرتجعات
إعدادات التمييز الجدولي لوظيفة AutoML
نوع الإرجاع
forecasting_settings
id
معرف المورد.
المرتجعات
المعرف العمومي للمورد، معرف Azure Resource Manager (ARM).
نوع الإرجاع
inputs
limits
احصل على الحدود الجدولية لمهمة AutoML.
المرتجعات
الحدود الجدولية لوظيفة AutoML
نوع الإرجاع
log_files
ملفات إخراج الوظيفة.
المرتجعات
قاموس أسماء السجلات وعناوين URL.
نوع الإرجاع
log_verbosity
احصل على إسهاب السجل لمهمة AutoML.
المرتجعات
إسهاب السجل لوظيفة AutoML
نوع الإرجاع
outputs
primary_metric
إرجاع المقياس الأساسي لاستخدامه لتحديد النموذج.
المرتجعات
المقياس الأساسي لاختيار النموذج.
نوع الإرجاع
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
studio_url
نقطة نهاية استوديو التعلم الآلي من Microsoft Azure.
المرتجعات
عنوان URL لصفحة تفاصيل الوظيفة.
نوع الإرجاع
task_type
الحصول على نوع المهمة.
المرتجعات
نوع المهمة المراد تشغيلها. تتضمن القيم المحتملة: "التصنيف"، و"الانحدار"، و"التنبؤ".
نوع الإرجاع
test_data
training
إرجاع إعدادات تدريب التنبؤ.
المرتجعات
إعدادات التدريب.
نوع الإرجاع
training_data
type
validation_data
Azure SDK for Python