Referenz zur Python-API für automatisiertes maschinelles Lernen von Azure Databricks

Artikel
07/08/2024

In diesem Artikel wird die Python-API für automatisiertes maschinelles Lernen von Azure Databricks beschrieben, die Methoden zum Starten von Ausführungen des maschinellen Lernens für Klassifizierungs-, Regressions- und Vorhersagezwecke bereitstellt. Jeder Methodenaufruf trainiert eine Gruppe von Modellen und generiert ein Testnotebook für jedes Modell.

Weitere Informationen zum automatisierten maschinellen Lernen (einschließlich einer Low-Code-Benutzeroberflächenoption) finden Sie unter Was ist AutoML?.

Klassifizieren

Die databricks.automl.classify-Methode konfiguriert eine Ausführung des automatisierten maschinellen Lernens zum Trainieren eines Klassifizierungsmodells.

Hinweis

Der Parameter max_trials ist in Databricks Runtime 10.4 ML veraltet und wird in Databricks Runtime 11.0 ML und höher nicht unterstützt. Verwenden Sie timeout_minutes, um die Dauer einer AutoML-Ausführung zu steuern.

databricks.automl.classify(
  dataset: Union[pyspark.sql.DataFrame, pandas.DataFrame, pyspark.pandas.DataFrame, str],
  *,
  target_col: str,
  data_dir: Optional[str] = None,
  exclude_cols: Optional[List[str]] = None,                      # <DBR> 10.3 ML and above
  exclude_frameworks: Optional[List[str]] = None,                   # <DBR> 10.3 ML and above
  experiment_dir: Optional[str] = None,                             # <DBR> 10.4 LTS ML and above
  experiment_name: Optional[str] = None,                            # <DBR> 12.1 ML and above
  feature_store_lookups: Optional[List[Dict]] = None,               # <DBR> 11.3 LTS ML and above
  imputers: Optional[Dict[str, Union[str, Dict[str, Any]]]] = None, # <DBR> 10.4 LTS ML and above
  max_trials: Optional[int] = None,                                 # <DBR> 10.5 ML and below
  pos_label: Optional[Union[int, bool, str] = None,                 # <DBR> 11.1 ML and above
  primary_metric: str = "f1",
  time_col: Optional[str] = None,
  timeout_minutes: Optional[int] = None,
  split_col: Optional[str] = None,                                  # <DBR> 15.3 ML and above
) -> AutoMLSummary

Klassifizierungsparameter

Parametername	Type	Beschreibung
`dataset`	`str`, `pandas.DataFrame`, `pyspark.DataFrame`, `pyspark.sql.DataFrame`	Eingabetabellenname oder DataFrame, der Trainingsfeatures und das Ziel enthält. Für den Tabellennamen kann das Format „<Datenbankname>.<Tabellenname>“ oder das Format „<Schemaname>.<Tabellenname>“ für Unity Catalog-fremde Tabellen verwendet werden.
`target_col`	`str`	Spaltenname für die Zielbezeichnung.
`data_dir`	`str` im Format `dbfs:/<folder-name>`	Optional. DBFS-Pfad zum Speichern des Trainingsdatasets. Dieser Pfad ist sowohl für Treiber- als auch für Workerknoten sichtbar. Databricks empfiehlt, dieses Feld leer zu lassen, damit automatisiertes ML das Trainingsdataset als MLflow-Artefakt speichern kann. Wenn ein benutzerdefinierter Pfad angegeben ist, erbt das Dataset die Zugriffsberechtigungen des AutoML-Experiments nicht.
`exclude_cols`	`List[str]`	Optional. Liste der Spalten, die bei Berechnungen des automatisierten maschinellen Lernens ignoriert werden sollen. Standardwert: []
`exclude_frameworks`	`List[str]`	Optional. Liste der Algorithmusframeworks, die das automatisierte maschinelle Lernen bei der Entwicklung von Modellen nicht berücksichtigen soll. Mögliche Werte: leere Liste oder mindestens eine der folgenden Werte: “sklearn”, “lightgbm”, “xgboost”. Standardwert: [] (alle Frameworks werden berücksichtigt)
`experiment_dir`	`str`	Optional. Pfad zu dem Verzeichnis im Arbeitsbereich, in dem die generierten Notebooks und Experimente gespeichert werden sollen. Standard: `/Users/<username>/databricks_automl/`
`experiment_name`	`str`	Optional. Name des MLflow-Experiments, das durch das automatisierte maschinelle Lernen erstellt wird. Standard: Der Name wird automatisch generiert.
`feature_store_lookups`	`List[Dict]`	Optional. Liste der Wörterbücher, die Features aus dem Featurespeicher für die Datenerweiterung darstellen. Es folgen gültige Schlüssel in den einzelnen Verzeichnissen: * `table_name` (str): Erforderlich. Name der Featuretabelle. * `lookup_key` („list“ oder „str“): Erforderlich. Spaltennamen, die als Schlüssel für die Verknüpfung der Tabelle mit den im Parameter `dataset` übergebenen Daten verwendet werden sollen. Die Reihenfolge der Spaltennamen muss der Reihenfolge der Primärschlüssel der Featuretabelle entsprechen. * `timestamp_lookup_key` (str): Erforderlich, wenn die angegebene Tabelle eine Zeitreihen-Featuretabelle ist. Der Spaltenname, der beim Ausführen einer Zeitpunktsuche in der Featuretabelle mit den im Parameter `dataset` übergebenen Daten verwendet werden soll. Standardwert: []
`imputers`	`Dict[str, Union[str, Dict[str, Any]]]`	Optional. Wörterbuch, in dem jeder Schlüssel ein Spaltenname und jeder Wert eine Zeichenfolge oder ein Wörterbuch ist, die bzw. das die Imputationsstrategie beschreibt. Bei Angabe als Zeichenfolge muss der Wert “mean”, “median” oder “most_frequent”. Um einen bekannten Wert zu imputieren, geben Sie den Wert als Wörterbuch `{"strategy": "constant", "fill_value": <desired value>}` an. Sie können auch Zeichenfolgenoptionen als Wörterbücher angeben (z. B. `{"strategy": "mean"}`). Wenn für eine Spalte keine Imputationsstrategie angegeben wird, wählt AutoML basierend auf Spaltentyp und Inhalt eine Standardstrategie aus. Wenn Sie eine nicht standardmäßige Imputationsmethode angeben, führt AutoML keine semantische Typerkennung durch. Standard: {}
`max_trials`	`int`	Optional. Maximale Anzahl auszuführender Testversionen. Dieser Parameter ist in Databricks Runtime 10.5 ML und niedriger verfügbar, ist jedoch ab Databricks Runtime 10.3 ML veraltet. In Databricks Runtime 11.0 ML und höher wird dieser Parameter nicht unterstützt. Standard: 20 Wenn timeout_minutes=None ist, führt AutoML die maximale Anzahl von Testversionen aus.
`pos_label`	`Union[int, bool, str]`	(Nur Klassifizierung) Die positive Klasse. Dies ist nützlich für die Berechnung von Metriken wie Genauigkeit und Abruf. Dies sollte nur für binäre Klassifizierungsprobleme angegeben werden.
`primary_metric`	`str`	Metrik zum Auswerten und Bewerten der Modellleistung. Unterstützte Metriken für die Regression: “r2” (Standard), “mae”, “rmse”, “mse” Unterstützte Metriken für die Klassifizierung: “f1” (Standard), “log_loss”, “precision”, “accuracy”, “roc_auc”
`split_col`	`str`	Optional. Spaltenname für eine geteilte Spalte. Nur in Databricks Runtime 15.3 ML und höher für API-Workflows verfügbar. Wenn angegeben, versucht AutoML, Trainings-/Überprüfungs-/Testsätze durch von Benutzer*innen angegebene Werte aufzuteilen, und diese Spalte wird automatisch von Trainingsfeatures ausgeschlossen. Der akzeptierte Spaltentyp ist eine Zeichenfolge. Die Werte der Einträge in dieser Spalte müssen jeweils einem der folgenden Typen entsprechen: „train“, „validate“ oder „test“.
`time_col`	`str`	Verfügbar in Databricks Runtime 10.1 ML und höheren Versionen. Optional. Spaltenname für eine Zeitspalte. Falls angegeben, versucht AutoML, das Dataset chronologisch in Trainings-, Validierungs- und Testmengen aufzuteilen, wobei die frühesten Punkte als Trainingsdaten und die neuesten Punkte als Testmenge verwendet werden. Akzeptierte Spaltentypen sind Zeitstempel und Integer. Mit Databricks Runtime 10.2 ML und höher werden auch Zeichenfolgenspalten unterstützt. Wenn der Spaltentyp eine Zeichenfolge ist, versucht AutoML, sie mithilfe der semantischen Erkennung in einen Zeitstempel zu konvertieren. Wenn die Konvertierung fehlschlägt, schlägt auch die AutoML-Ausführung fehl.
`timeout_minutes`	`int`	Optional. Maximale Wartezeit bis zum Abschluss der Tests des automatisierten maschinellen Lernens. Längere Timeouts ermöglichen es AutoML, mehr Testversionen auszuführen und ein Modell mit besserer Genauigkeit zu identifizieren. Standardwert: 120 Minuten Mindestwert: 5 Minuten Ein Fehler wird gemeldet, wenn das Timeout zu kurz ist, um mindestens eine Testversion abzuschließen.
`sample_weight_col`	`str`	Nur in Databricks Runtime 15.3 ML und höher für API-Regressionsworkflows verfügbar. Optional. Name der Spalte im Dataset, die die Stichprobengewichtung für die jeweilige Zeile enthält. Diese Gewichtungen passen während des Modelltrainings die Wichtigkeit jeder Zeile an. Gewichtungen müssen nicht-negative dezimale oder ganzzahlige Werte sein, die zwischen 0 und 10.000 liegen. Zeilen mit höheren Stichprobengewichtungen werden als wichtiger angesehen und haben einen größeren Einfluss auf den Lernalgorithmus. Wenn diese Spalte nicht angegeben wird, wird davon ausgegangen, dass alle Zeilen gleich gewichtet sind.

Regression

Die databricks.automl.regress-Methode konfiguriert eine Ausführung des automatisierten maschinellen Lernens zum Trainieren eines Regressionsmodells. Diese Methode gibt ein Element vom Typ AutoMLSummary zurück.

Hinweis

databricks.automl.regress(
  dataset: Union[pyspark.sql.DataFrame, pandas.DataFrame, pyspark.pandas.DataFrame, str],
  *,
  target_col: str,
  data_dir: Optional[str] = None,
  exclude_cols: Optional[List[str]] = None,                      # <DBR> 10.3 ML and above
  exclude_frameworks: Optional[List[str]] = None,                   # <DBR> 10.3 ML and above
  experiment_dir: Optional[str] = None,                             # <DBR> 10.4 LTS ML and above
  experiment_name: Optional[str] = None,                            # <DBR> 12.1 ML and above
  feature_store_lookups: Optional[List[Dict]] = None,               # <DBR> 11.3 LTS ML and above
  imputers: Optional[Dict[str, Union[str, Dict[str, Any]]]] = None, # <DBR> 10.4 LTS ML and above
  max_trials: Optional[int] = None,                                 # <DBR> 10.5 ML and below
  primary_metric: str = "r2",
  time_col: Optional[str] = None,
  timeout_minutes: Optional[int] = None,
  split_col: Optional[str] = None,                                  # <DBR> 15.3 ML and above
  sample_weight_col: Optional[str] = None,                          # <DBR> 15.3 ML and above
) -> AutoMLSummary

Regressionsparameter

Parametername	Type	Beschreibung
`dataset`	`str`, `pandas.DataFrame`, `pyspark.DataFrame`, `pyspark.sql.DataFrame`	Eingabetabellenname oder DataFrame, der Trainingsfeatures und das Ziel enthält. Für den Tabellennamen kann das Format „<Datenbankname>.<Tabellenname>“ oder das Format „<Schemaname>.<Tabellenname>“ für Unity Catalog-fremde Tabellen verwendet werden.
`target_col`	`str`	Spaltenname für die Zielbezeichnung.
`data_dir`	`str` im Format `dbfs:/<folder-name>`	Optional. DBFS-Pfad zum Speichern des Trainingsdatasets. Dieser Pfad ist sowohl für Treiber- als auch für Workerknoten sichtbar. Databricks empfiehlt, dieses Feld leer zu lassen, damit automatisiertes ML das Trainingsdataset als MLflow-Artefakt speichern kann. Wenn ein benutzerdefinierter Pfad angegeben ist, erbt das Dataset die Zugriffsberechtigungen des AutoML-Experiments nicht.
`exclude_cols`	`List[str]`	Optional. Liste der Spalten, die bei Berechnungen des automatisierten maschinellen Lernens ignoriert werden sollen. Standardwert: []
`exclude_frameworks`	`List[str]`	Optional. Liste der Algorithmusframeworks, die das automatisierte maschinelle Lernen bei der Entwicklung von Modellen nicht berücksichtigen soll. Mögliche Werte: leere Liste oder mindestens eine der folgenden Werte: “sklearn”, “lightgbm”, “xgboost”. Standardwert: [] (alle Frameworks werden berücksichtigt)
`experiment_dir`	`str`	Optional. Pfad zu dem Verzeichnis im Arbeitsbereich, in dem die generierten Notebooks und Experimente gespeichert werden sollen. Standard: `/Users/<username>/databricks_automl/`
`experiment_name`	`str`	Optional. Name des MLflow-Experiments, das durch das automatisierte maschinelle Lernen erstellt wird. Standard: Der Name wird automatisch generiert.
`feature_store_lookups`	`List[Dict]`	Optional. Liste der Wörterbücher, die Features aus dem Featurespeicher für die Datenerweiterung darstellen. Es folgen gültige Schlüssel in den einzelnen Verzeichnissen: * `table_name` (str): Erforderlich. Name der Featuretabelle. * `lookup_key` („list“ oder „str“): Erforderlich. Spaltennamen, die als Schlüssel für die Verknüpfung der Tabelle mit den im Parameter `dataset` übergebenen Daten verwendet werden sollen. Die Reihenfolge der Spaltennamen muss der Reihenfolge der Primärschlüssel der Featuretabelle entsprechen. * `timestamp_lookup_key` (str): Erforderlich, wenn die angegebene Tabelle eine Zeitreihen-Featuretabelle ist. Der Spaltenname, der beim Ausführen einer Zeitpunktsuche in der Featuretabelle mit den im Parameter `dataset` übergebenen Daten verwendet werden soll. Standardwert: []
`imputers`	`Dict[str, Union[str, Dict[str, Any]]]`	Optional. Wörterbuch, in dem jeder Schlüssel ein Spaltenname und jeder Wert eine Zeichenfolge oder ein Wörterbuch ist, die bzw. das die Imputationsstrategie beschreibt. Bei Angabe als Zeichenfolge muss der Wert “mean”, “median” oder “most_frequent”. Um einen bekannten Wert zu imputieren, geben Sie den Wert als Wörterbuch `{"strategy": "constant", "fill_value": <desired value>}` an. Sie können auch Zeichenfolgenoptionen als Wörterbücher angeben (z. B. `{"strategy": "mean"}`). Wenn für eine Spalte keine Imputationsstrategie angegeben wird, wählt AutoML basierend auf Spaltentyp und Inhalt eine Standardstrategie aus. Wenn Sie eine nicht standardmäßige Imputationsmethode angeben, führt AutoML keine semantische Typerkennung durch. Standard: {}
`max_trials`	`int`	Optional. Maximale Anzahl auszuführender Testversionen. Dieser Parameter ist in Databricks Runtime 10.5 ML und niedriger verfügbar, ist jedoch ab Databricks Runtime 10.3 ML veraltet. In Databricks Runtime 11.0 ML und höher wird dieser Parameter nicht unterstützt. Standard: 20 Wenn timeout_minutes=None ist, führt AutoML die maximale Anzahl von Testversionen aus.
`pos_label`	`Union[int, bool, str]`	(Nur Klassifizierung) Die positive Klasse. Dies ist nützlich für die Berechnung von Metriken wie Genauigkeit und Abruf. Dies sollte nur für binäre Klassifizierungsprobleme angegeben werden.
`primary_metric`	`str`	Metrik zum Auswerten und Bewerten der Modellleistung. Unterstützte Metriken für die Regression: “r2” (Standard), “mae”, “rmse”, “mse” Unterstützte Metriken für die Klassifizierung: “f1” (Standard), “log_loss”, “precision”, “accuracy”, “roc_auc”
`split_col`	`str`	Optional. Spaltenname für eine geteilte Spalte. Nur in Databricks Runtime 15.3 ML und höher für API-Workflows verfügbar. Wenn angegeben, versucht AutoML, Trainings-/Überprüfungs-/Testsätze durch von Benutzer*innen angegebene Werte aufzuteilen, und diese Spalte wird automatisch von Trainingsfeatures ausgeschlossen. Der akzeptierte Spaltentyp ist eine Zeichenfolge. Die Werte der Einträge in dieser Spalte müssen jeweils einem der folgenden Typen entsprechen: „train“, „validate“ oder „test“.
`time_col`	`str`	Verfügbar in Databricks Runtime 10.1 ML und höheren Versionen. Optional. Spaltenname für eine Zeitspalte. Falls angegeben, versucht AutoML, das Dataset chronologisch in Trainings-, Validierungs- und Testmengen aufzuteilen, wobei die frühesten Punkte als Trainingsdaten und die neuesten Punkte als Testmenge verwendet werden. Akzeptierte Spaltentypen sind Zeitstempel und Integer. Mit Databricks Runtime 10.2 ML und höher werden auch Zeichenfolgenspalten unterstützt. Wenn der Spaltentyp eine Zeichenfolge ist, versucht AutoML, sie mithilfe der semantischen Erkennung in einen Zeitstempel zu konvertieren. Wenn die Konvertierung fehlschlägt, schlägt auch die AutoML-Ausführung fehl.
`timeout_minutes`	`int`	Optional. Maximale Wartezeit bis zum Abschluss der Tests des automatisierten maschinellen Lernens. Längere Timeouts ermöglichen es AutoML, mehr Testversionen auszuführen und ein Modell mit besserer Genauigkeit zu identifizieren. Standardwert: 120 Minuten Mindestwert: 5 Minuten Ein Fehler wird gemeldet, wenn das Timeout zu kurz ist, um mindestens eine Testversion abzuschließen.
`sample_weight_col`	`str`	Nur in Databricks Runtime 15.3 ML und höher für API-Regressionsworkflows verfügbar. Optional. Name der Spalte im Dataset, die die Stichprobengewichtung für die jeweilige Zeile enthält. Diese Gewichtungen passen während des Modelltrainings die Wichtigkeit jeder Zeile an. Gewichtungen müssen nicht-negative dezimale oder ganzzahlige Werte sein, die zwischen 0 und 10.000 liegen. Zeilen mit höheren Stichprobengewichtungen werden als wichtiger angesehen und haben einen größeren Einfluss auf den Lernalgorithmus. Wenn diese Spalte nicht angegeben wird, wird davon ausgegangen, dass alle Zeilen gleich gewichtet sind.

Forecast

Die databricks.automl.forecast-Methode konfiguriert eine Ausführung des automatisierten maschinellen Lernens zum Trainieren eines Vorhersagemodells. Diese Methode gibt ein Element vom Typ AutoMLSummary zurück. Um Auto-ARIMA verwenden zu können, muss die Zeitreihe eine reguläre Häufigkeit haben (d. h., das Intervall zwischen zwei beliebigen Punkten muss während der gesamten Zeitreihe identisch sein). Die Häufigkeit muss mit der im API-Aufruf angegebenen Einheit für Häufigkeit übereinstimmen. AutoML behandelt fehlende Zeitschritte, indem diese Werte mit dem vorherigen Wert aufgefüllt werden.

databricks.automl.forecast(
  dataset: Union[pyspark.sql.DataFrame, pandas.DataFrame, pyspark.pandas.DataFrame, str],
  *,
  target_col: str,
  time_col: str,
  country_code: str = "US",                                         # <DBR> 12.0 ML and above
  data_dir: Optional[str] = None,
  exclude_frameworks: Optional[List[str]] = None,
  experiment_dir: Optional[str] = None,
  experiment_name: Optional[str] = None,                            # <DBR> 12.1 ML and above
  feature_store_lookups: Optional[List[Dict]] = None,               # <DBR> 12.2 LTS ML and above
  frequency: str = "D",
  horizon: int = 1,
  identity_col: Optional[Union[str, List[str]]] = None,
  output_database: Optional[str] = None,                            # <DBR> 10.5 ML and above
  primary_metric: str = "smape",
  timeout_minutes: Optional[int] = None,
) -> AutoMLSummary

Prognoseparameter

Parametername	Type	Beschreibung
`dataset`	`str`, `pandas.DataFrame`, `pyspark.DataFrame`, `pyspark.sql.DataFrame`	Eingabetabellenname oder DataFrame, der Trainingsfeatures und das Ziel enthält. Der Tabellenname kann im Format „..“ oder „.“ vorliegen bei anderen Tabellen als Unity Catalog-Tabellen
`target_col`	`str`	Spaltenname für die Zielbezeichnung.
`time_col`	`str`	Name der Zeitspalte für die Vorhersage.
`frequency`	`str`	Häufigkeit der Zeitreihe für Vorhersagen. Dies ist der Zeitraum, in dem Ereignisse erwartet werden. Die Standardeinstellung ist „D“ oder tägliche Daten. Achten Sie darauf, die Einstellung zu ändern, wenn Ihre Daten eine andere Häufigkeit aufweisen. Mögliche Werte: “W” (weeks) “D” / “days” / “day” “hours” / “hour” / “hr” / “h” “m” / “minute” / “min” / “minutes” / “T” “S” / “seconds” / “sec” / “second” Folgendes ist nur mit Databricks Runtime 12.0 ML und höher verfügbar: „M“/„Monat“/“Monate“ „Q“/„Quartal“/„Quartale“ „Y“/„Jahr”/„Jahre” Standard: “D”
`horizon`	`int`	Anzahl der Zeiträume in der Zukunft, für die Vorhersagen zurückgegeben werden sollen. Die Einheiten sind die Zeitreihenhäufigkeit. Standardwert: 1
`data_dir`	`str` im Format `dbfs:/<folder-name>`	Optional. DBFS-Pfad zum Speichern des Trainingsdatasets. Dieser Pfad ist sowohl für Treiber- als auch für Workerknoten sichtbar. Databricks empfiehlt, dieses Feld leer zu lassen, damit automatisiertes ML das Trainingsdataset als MLflow-Artefakt speichern kann. Wenn ein benutzerdefinierter Pfad angegeben ist, erbt das Dataset die Zugriffsberechtigungen des AutoML-Experiments nicht.
`exclude_frameworks`	`List[str]`	Optional. Liste der Algorithmusframeworks, die das automatisierte maschinelle Lernen bei der Entwicklung von Modellen nicht berücksichtigen soll. Mögliche Werte: leere Liste oder mindestens eine der folgenden Werte: “prophet”, “arima”. Standardwert: [] (alle Frameworks werden berücksichtigt)
`experiment_dir`	`str`	Optional. Pfad zu dem Verzeichnis im Arbeitsbereich, in dem die generierten Notebooks und Experimente gespeichert werden sollen. Standard: `/Users/<username>/databricks_automl/`
`experiment_name`	`str`	Optional. Name des MLflow-Experiments, das durch das automatisierte maschinelle Lernen erstellt wird. Standard: Der Name wird automatisch generiert.
`feature_store_lookups`	`List[Dict]`	Optional. Liste der Wörterbücher, die Features aus dem Featurespeicher für die Datenerweiterung darstellen. Es folgen gültige Schlüssel in den einzelnen Verzeichnissen: * `table_name` (str): Erforderlich. Name der Featuretabelle. * `lookup_key` („list“ oder „str“): Erforderlich. Spaltennamen, die als Schlüssel für die Verknüpfung der Tabelle mit den im Parameter `dataset` übergebenen Daten verwendet werden sollen. Die Reihenfolge der Spaltennamen muss der Reihenfolge der Primärschlüssel der Featuretabelle entsprechen. * `timestamp_lookup_key` (str): Erforderlich, wenn die angegebene Tabelle eine Zeitreihen-Featuretabelle ist. Der Spaltenname, der beim Ausführen einer Zeitpunktsuche in der Featuretabelle mit den im Parameter `dataset` übergebenen Daten verwendet werden soll. Standardwert: []
`identity_col`	`Union[str, list]`	Optional. Spalten zur Identifizierung von Mehrreihen-Vorhersagen. AutoML gruppiert diese Spalte(n) und die Zeitspalte für die Vorhersage.
`output_database`	`str`	Optional. Falls angegeben, speichert das automatisierte maschinelle Lernen die Vorhersagen des besten Modells in einer neuen Tabelle in der angegebenen Datenbank. Standard: Vorhersagen werden nicht gespeichert.
`primary_metric`	`str`	Metrik zum Auswerten und Bewerten der Modellleistung. Unterstützte Metriken: „smape“(Standardwert) „mse“, „rmse“, „mae“ oder „mdape“.
`timeout_minutes`	`int`	Optional. Maximale Wartezeit bis zum Abschluss der Tests des automatisierten maschinellen Lernens. Längere Timeouts ermöglichen es AutoML, mehr Testversionen auszuführen und ein Modell mit besserer Genauigkeit zu identifizieren. Standardwert: 120 Minuten Mindestwert: 5 Minuten Ein Fehler wird gemeldet, wenn das Timeout zu kurz ist, um mindestens eine Testversion abzuschließen.
`country_code`	`str`	Verfügbar in Databricks Runtime 12.0 ML und höher. Wird nur vom Vorhersagemodell Prophet unterstützt. Optional. (Optional) Die zweistellige Landeskennzahl, die angibt, welche Feiertage des Landes im Vorhersagemodell berücksichtigt werden sollen. Um Feiertage zu ignorieren, legen Sie diesen Parameter auf eine leere Zeichenfolge ("") fest. Unterstützte Länder. Standardeinstellung: USA (Feiertage in den USA).

Notebook importieren

Die databricks.automl.import_notebook-Methode importiert ein Notebook, das als MLflow-Artefakt gespeichert wurde. Diese Methode gibt ein Element vom Typ ImportNotebookResult zurück.

databricks.automl.import_notebook(
  artifact_uri: str,
  path: str,
  overwrite: bool = False
) -> ImportNotebookResult:

Parameter	Typ	Beschreibung
`artifact_uri`	`str`	Der URI des MLflow-Artefakts, das das Testnotebook enthält.
`path`	`str`	Der Pfad im Databricks-Arbeitsbereich, unter dem das Notebook importiert werden soll. Hierbei muss es sich um einen absoluten Pfad handeln. Falls das Verzeichnis noch nicht vorhanden ist, wird es erstellt.
`overwrite`	`bool`	Gibt an, ob das Notebook überschrieben werden soll, wenn es bereits vorhanden ist. Die Standardeinstellung ist `False`.

Beispiel für das Importieren eines Notebooks

summary = databricks.automl.classify(...)
result = databricks.automl.import_notebook(summary.trials[5].artifact_uri, "/Users/you@yourcompany.com/path/to/directory")
print(result.path)
print(result.url)

`AutoMLSummary`

Zusammenfassungsobjekt für eine AutoML-Ausführung, die die Metriken, Parameter und andere Details für die einzelnen Testversionen beschreibt. Sie verwenden dieses Objekt auch, um das von einer bestimmten Testversion trainierte Modell zu laden.

Eigenschaft	Typ	Beschreibung
`experiment`	`mlflow.entities.Experiment`	Das MLflow-Experiment, das zum Protokollieren der Testversionen verwendet wird.
`trials`	`List[TrialInfo]`	Eine Liste mit Objekten vom Typ TrialInfo, die Informationen zu allen ausgeführten Testversionen enthalten.
`best_trial`	`TrialInfo`	Ein Objekt vom Typ TrialInfo, das Informationen zu der Testversion enthält, die zur besten gewichteten Bewertung für die primäre Metrik geführt hat.
`metric_distribution`	`str`	Die Verteilung der gewichteten Bewertungen für die primäre Metrik über Testversionen hinweg.
`output_table_name`	`str`	Wird nur bei Vorhersagen verwendet und nur, wenn output_database bereitgestellt wird. Name der Tabelle in output_database, die die Vorhersagen des Modells enthält.

`TrialInfo`

Zusammenfassungsobjekt für jede einzelne Testversion.

Eigenschaft	Typ	Beschreibung
`notebook_path`	`Optional[str]`	Der Pfad zum generierten Notebook für diese Testversion im Arbeitsbereich. Bei der Klassifizierung und Regression wird dieser Wert nur für den besten Testlauf festgelegt, während bei allen anderen Testläufen der Wert auf `None` festgelegt wird. Bei Vorhersagen ist dieser Wert für alle Tests vorhanden.
`notebook_url`	`Optional[str]`	Die URL des generierten Notebooks für diese Testversion. Bei der Klassifizierung und Regression wird dieser Wert nur für den besten Testlauf festgelegt, während bei allen anderen Testläufen der Wert auf `None` festgelegt wird. Bei Vorhersagen ist dieser Wert für alle Tests vorhanden.
`artifact_uri`	`Optional[str]`	Der MLflow-Artefakt-URI für das generierte Notebook.
`mlflow_run_id`	`str`	Die MLflow-Ausführungs-ID, die dieser Testversion zugeordnet ist.
`metrics`	`Dict[str, float]`	Die in MLflow für diese Testversion protokollierten Metriken.
`params`	`Dict[str, str]`	Die in MLflow protokollierten Parameter, die für diese Testversion verwendet wurden.
`model_path`	`str`	Die MLflow-Artefakt-URL des Modells, das in dieser Testversion trainiert wurde.
`model_description`	`str`	Kurze Beschreibung des Modells und der Hyperparameter, die zum Trainieren dieses Modells verwendet werden.
`duration`	`str`	Dauer des Trainings in Minuten.
`preprocessors`	`str`	Beschreibung der vor dem Trainieren des Modells ausgeführten Präprozessoren.
`evaluation_metric_score`	`float`	Score der primären Metrik, ausgewertet für das Validierungs-Dataset.

TrialInfo verfügt über eine Methode zum Laden des Modells, das für den Test generiert wurde.

Methode	Beschreibung
`load_model()`	Laden Sie das in dieser Testversion generierte Modell, das als MLflow-Artefakt protokolliert wird.

`ImportNotebookResult`

Eigenschaft	Typ	Beschreibung
`path`	`str`	Der Pfad im Databricks-Arbeitsbereich, unter dem das Notebook importiert werden soll. Hierbei muss es sich um einen absoluten Pfad handeln. Falls das Verzeichnis noch nicht vorhanden ist, wird es erstellt.
`url`	`str`	Der URI des MLflow-Artefakts, das das Testnotebook enthält.

Freigeben über