datadrift Paket

Enthält Funktionen, um zu erkennen, wann Modellschulungsdaten von ihren Bewertungsdaten abgedrift wurden.

Bei maschinellem Lernen ist Datenabweichung die Änderung der Modelleingabedaten, die zu einer Leistungsverschlechterung der Modellleistung führen. Dies ist einer der wichtigsten Gründe, aus denen sich die Modellgenauigkeit im Laufe der Zeit verschlechtert, wodurch die Überwachung der Datenabweichung dazu beiträgt, Modellleistungsprobleme zu erkennen. Mit diesem Paket können Sie Datenabweichungen erkennen und benachrichtigen.

Mit der DataDriftDetector-Klasse können Sie ein Datenmonitorobjekt konfigurieren, das dann als Auftrag zum Analysieren der Datenabweichung ausgeführt werden kann. Datenabweichungsaufträge können interaktiv ausgeführt oder für die Ausführung in einem Zeitplan aktiviert werden. Sie können Warnungen einrichten, wenn die Datenabweichung einen Schwellenwert mit der AlertConfiguration Klasse überschreitet.

Module

alert_configuration	Enthält Funktionen zum Konfigurieren von Datenabweichungswarnungen in Azure Machine Learning.
datadriftdetector	Enthält Kernfunktionen zum Erkennen von Datenabweichungen zwischen zwei Datasets in Azure Machine Learning. Die Datenabweichung wird durch Datasets oder Bereitstellungen gemessen und basiert auf der Dataset-API.

Klassen

AlertConfiguration	Stellt die Warnungskonfiguration für Datenabweichungsaufträge dar. Die AlertConfiguration-Klasse ermöglicht das Festlegen konfigurierbarer Warnungen (z. B. E-Mail) für DataDriftDetector Aufträge. Die Warnungskonfiguration kann bei Verwendung einer der Create-Methoden der DataDriftDetector-Klasse angegeben werden. Konstruktor. Ermöglicht das Festlegen konfigurierbarer Warnungen (z. B. E-Mail) für DataDriftDetector-Aufträge.
DataDriftDetector	Definiert einen Datenabweichungsmonitor, der zum Ausführen von Datenabweichungsaufträgen in Azure Machine Learning verwendet werden kann. Mit der DataDriftDetector-Klasse können Sie die Abweichung zwischen einem bestimmten Basis- und Zieldatensatz identifizieren. Ein DataDriftDetector-Objekt wird in einem Arbeitsbereich erstellt, indem entweder die Basisplan- und Zieldatensätze direkt angegeben werden. Weitere Informationen finden Sie unter https://aka.ms/datadrift. Datadriftdetector-Konstruktor. Der DataDriftDetector-Konstruktor wird verwendet, um eine Clouddarstellung eines DataDriftDetector-Objekts abzurufen, das dem bereitgestellten Arbeitsbereich zugeordnet ist.
Metric	Stellt eine Metrik dar, die in einer Datenanalyse zurückgegeben wird. Die Metric-Klasse ist nur für die interne Verwendung vorgesehen. Verwenden Sie die get_output Methode eines DataDriftDetector Objekts, um Metriken zurückzugeben. Metrischer Konstruktor.
ModelServingDataset	Stellt ein Dataset dar, das intern verwendet wird, wenn ein modellbasiertes DataDriftDetector -Objekt erstellt wird. Mit einem modellbasierten DataDriftDetector können Sie datenabweichungen zwischen dem Schulungsdatensatz eines Modells und dem Bewertungsdatensatz berechnen. Verwenden Sie die <xref:azureml.datadrift.DataDriftDetector.create_from_model> Methode, um einen modellbasierten DataDriftDetector zu erstellen. Konstruktor.

Enumerationen

MetricType

Definiert Typen von Metriken, die in einer Datenabweichungsanalyse zurückgegeben werden. Verwenden Sie die get_output Methode eines DataDriftDetector Objekts, um Metriken zurückzugeben.