DataDriftDetector Klasse
Definiert eine Datendriftüberwachung, die zum Ausführen von Datendriftaufträgen in Azure Machine Learning verwendet werden kann.
Mit der DataDriftDetector-Klasse können Sie eine Drift zwischen einer bestimmten Baseline und dem Zieldataset identifizieren. Ein DataDriftDetector-Objekt wird in einem Arbeitsbereich durch direkte Angabe der Baseline und der Zieldatasets erstellt. 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.
- Vererbung
-
builtins.objectDataDriftDetector
Konstruktor
DataDriftDetector(workspace, name=None, baseline_dataset=None, target_dataset=None, compute_target=None, frequency=None, feature_list=None, alert_config=None, drift_threshold=None, latency=None)
Parameter
Name | Beschreibung |
---|---|
workspace
Erforderlich
|
Der Arbeitsbereich, in dem das DataDriftDetector-Objekt erstellt werden soll. |
name
|
Ein eindeutiger Name für das DataDriftDetector-Objekt. Standardwert: None
|
baseline_dataset
|
Das Dataset, mit dem das Zieldataset verglichen werden soll. Standardwert: None
|
target_dataset
|
Das Dataset, für das Ad-hoc- oder geplante DataDrift-Aufträge ausgeführt werden sollen. Muss eine Zeitreihe sein. Standardwert: None
|
compute_target
|
ComputeTarget oder
str
Optionales Azure Machine Learning-Computeziel oder Name des Computeziels. Der DataDriftDetector erstellt ein Computeziel, wenn keines angegeben wird. Standardwert: None
|
frequency
|
Eine optionale Häufigkeit, die angibt, wie oft die Pipeline ausgeführt wird. Die unterstützten Werte sind „Day“, „Week“ und „Month“. Standardwert: None
|
feature_list
|
Optionale Features auf der Positivliste, für die die Datendrifterkennung ausgeführt werden soll. Wenn keine Standardwert: None
|
alert_config
|
Ein optionales Configuration-Objekt für DataDriftDetector-Warnungen. Standardwert: None
|
drift_threshold
|
Ein optionaler Schwellenwert für das Aktivieren von DataDriftDetector-Warnungen. Der Wert muss zwischen 0 und 1 liegen. Wenn „None“ angegeben wird (Standardwert), wird 0,2 als Wert verwendet. Standardwert: None
|
latency
|
Die Verzögerung in Stunden, bevor Daten im Dataset eingefügt werden. Standardwert: None
|
workspace
Erforderlich
|
Der Arbeitsbereich, in dem das DataDriftDetector-Objekt erstellt werden soll. |
name
Erforderlich
|
Ein eindeutiger Name für das DataDriftDetector-Objekt. |
baseline_dataset
Erforderlich
|
Das Dataset, mit dem das Zieldataset verglichen werden soll. |
target_dataset
Erforderlich
|
Das Dataset, für das Ad-hoc- oder geplante DataDrift-Aufträge ausgeführt werden sollen. Muss eine Zeitreihe sein. |
compute_target
Erforderlich
|
ComputeTarget oder
str
Optionales Azure Machine Learning-Computeziel oder Name des Computeziels. Der DataDriftDetector erstellt ein Computeziel, wenn keines angegeben wird. |
frequency
Erforderlich
|
Eine optionale Häufigkeit, die angibt, wie oft die Pipeline ausgeführt wird. Die unterstützten Werte sind „Day“, „Week“ und „Month“. |
feature_list
Erforderlich
|
Optionale Features auf der Positivliste, für die die Datendrifterkennung ausgeführt werden soll. Wenn keine |
alert_config
Erforderlich
|
Ein optionales Configuration-Objekt für DataDriftDetector-Warnungen. |
drift_threshold
Erforderlich
|
Ein optionaler Schwellenwert für das Aktivieren von DataDriftDetector-Warnungen. Der Wert muss zwischen 0 und 1 liegen. Wenn „None“ angegeben wird (Standardwert), wird 0,2 als Wert verwendet. |
latency
Erforderlich
|
Verzögerung in Stunden, bevor Daten im Dataset eingefügt werden. |
Hinweise
Ein DataDriftDetector-Objekt stellt eine Auftragsdefinition für die Datendrift dar, die zum Ausführen von drei Auftragsausführungstypen verwendet werden kann:
Eine Ad-hoc-Ausführung zum Analysieren der Daten eines bestimmten Tags. Weitere Informationen finden Sie im Abschnitt zur run-Methode.
Eine geplante Ausführung in einer Pipeline. Weitere Informationen finden Sie im Abschnitt zur enable_schedule-Methode.
eine Abgleichsausführung zum anzeigen, wie sich Daten im Lauf der Zeit ändern. Weitere Informationen finden Sie unter der backfill-Methode.
Das typische Muster zum Erstellen eines DataDriftDetector-Objekts ist:
- Verwenden Sie create_from_datasets, um ein datasetbasiertes DataDriftDetector-Objekt zu erstellen.
Im folgenden Beispiel wird gezeigt, wie Sie ein datasetbasiertes DataDriftDetector-Objekt erstellen.
from azureml.datadrift import DataDriftDetector, AlertConfiguration
alert_config = AlertConfiguration(['user@contoso.com']) # replace with your email to recieve alerts from the scheduled pipeline after enabling
monitor = DataDriftDetector.create_from_datasets(ws, 'weather-monitor', baseline, target,
compute_target='cpu-cluster', # compute target for scheduled pipeline and backfills
frequency='Week', # how often to analyze target data
feature_list=None, # list of features to detect drift on
drift_threshold=None, # threshold from 0 to 1 for email alerting
latency=0, # SLA in hours for target data to arrive in the dataset
alert_config=alert_config) # email addresses to send alert
Das vollständige Beispiel finden Sie unter https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datadrift-tutorial/datadrift-tutorial.ipynb.
Der DataDriftDetector-Konstruktor ruft ein vorhandenes Datendriftobjekt ab, das dem Arbeitsbereich zugeordnet ist.
Methoden
backfill |
Ausführen eines Abgleichsauftrags mit einem angegebenen Start- und Enddatum. Weitere Informationen zu Datendrift-Abgleichsausführungen finden Sie unter https://aka.ms/datadrift. HINWEIS: Ein Abgleich wird nur für datasetbasierte DataDriftDetector-Objekte unterstützt. |
create_from_datasets |
Erstellt ein neues DataDriftDetector-Objekt aus einem tabellarischen Baselinedataset und einem Zeitreihen-Zieldataset. |
delete |
Löschen des Zeitplans für das DataDriftDetector-Objekt. |
disable_schedule |
Deaktivieren des Zeitplans für das DataDriftDetector-Objekt. |
enable_schedule |
Erstellt einen Zeitplan zum Ausführen eines datasetbasierten DataDriftDetector-Auftrags. |
get_by_name |
Abrufen eines eindeutigen DataDriftDetector-Objekts für einen bestimmten Arbeitsbereich und Namen. |
get_output |
Abrufen eines Tupels mit den Driftergebnissen und Metriken für einen bestimmten DataDriftDetector in einem bestimmten Zeitfenster. |
list |
Ruft eine Liste der DataDriftDetector-Objekte für den angegebenen Arbeitsbereich und das optionale Dataset ab. HINWEIS: Wenn nur der Parameter |
run |
Ausführen einer Datendriftanalyse für einen einzelnen Zeitpunkt. |
show |
Anzeigen des Datendrifttrends in einem bestimmten Zeitbereich. Standardmäßig zeigt diese Methode die letzten 10 Zyklen an. Wenn als Häufigkeit beispielsweise „Day“ (Tag) festgelegt wurde, sind dies die letzten 10 Tage. Wenn als Häufigkeit „Week“ (Woche) festgelegt wurde, sind dies die letzten 10 Wochen. |
update |
Aktualisieren des Zeitplans, der dem DataDriftDetector-Objekt zugeordnet ist. Optionale Parameterwerte können auf |
backfill
Ausführen eines Abgleichsauftrags mit einem angegebenen Start- und Enddatum.
Weitere Informationen zu Datendrift-Abgleichsausführungen finden Sie unter https://aka.ms/datadrift.
HINWEIS: Ein Abgleich wird nur für datasetbasierte DataDriftDetector-Objekte unterstützt.
backfill(start_date, end_date, compute_target=None, create_compute_target=False)
Parameter
Name | Beschreibung |
---|---|
start_date
Erforderlich
|
Das Startdatum des Abgleichsauftrags. |
end_date
Erforderlich
|
Das Enddatum des Abgleichsauftrags (einschließlich). |
compute_target
|
ComputeTarget oder
str
Optionales Azure Machine Learning-Computeziel oder Name des Computeziels. Der DataDriftDetector erstellt ein Computeziel, wenn keines angegeben wird. Standardwert: None
|
create_compute_target
|
Gibt an, ob automatisch ein Azure Machine Learning-Computeziel erstellt wird. Standardwert: False
|
Gibt zurück
Typ | Beschreibung |
---|---|
Eine DataDriftDetector-Ausführung. |
create_from_datasets
Erstellt ein neues DataDriftDetector-Objekt aus einem tabellarischen Baselinedataset und einem Zeitreihen-Zieldataset.
static create_from_datasets(workspace, name, baseline_dataset, target_dataset, compute_target=None, frequency=None, feature_list=None, alert_config=None, drift_threshold=None, latency=None)
Parameter
Name | Beschreibung |
---|---|
workspace
Erforderlich
|
Der Arbeitsbereich, in dem der DataDriftDetector erstellt werden soll. |
name
Erforderlich
|
Ein eindeutiger Name für das DataDriftDetector-Objekt. |
baseline_dataset
Erforderlich
|
Das Dataset, mit dem das Zieldataset verglichen werden soll. |
target_dataset
Erforderlich
|
Das Dataset, für das Ad-hoc- oder geplante DataDrift-Aufträge ausgeführt werden sollen. Muss eine Zeitreihe sein. |
compute_target
|
ComputeTarget oder
str
Optionales Azure Machine Learning-Computeziel oder Name des Computeziels. Der DataDriftDetector erstellt ein Computeziel, wenn keines angegeben wird. Standardwert: None
|
frequency
|
Eine optionale Häufigkeit, die angibt, wie oft die Pipeline ausgeführt wird. Die unterstützten Werte sind „Day“, „Week“ und „Month“. Standardwert: None
|
feature_list
|
Optionale Features auf der Positivliste, für die die Datendrifterkennung ausgeführt werden soll. Wenn keine Standardwert: None
|
alert_config
|
Ein optionales Configuration-Objekt für DataDriftDetector-Warnungen. Standardwert: None
|
drift_threshold
|
Ein optionaler Schwellenwert für das Aktivieren von DataDriftDetector-Warnungen. Der Wert muss zwischen 0 und 1 liegen. Wenn „None“ angegeben wird (Standardwert), wird 0,2 als Wert verwendet. Standardwert: None
|
latency
|
Die Verzögerung in Stunden, bevor Daten im Dataset eingefügt werden. Standardwert: None
|
Gibt zurück
Typ | Beschreibung |
---|---|
Ein DataDriftDetector-Objekt. |
Ausnahmen
Typ | Beschreibung |
---|---|
<xref:KeyError>, <xref:TypeError>, <xref:ValueError>
|
Hinweise
Mit datasetbasierten DataDriftDetectors können Sie die Datendrift zwischen einem Baselinedataset (muss ein TabularDataset sein) und einem Zieldataset (muss ein Zeitreihendataset sein) berechnen. Ein Zeitreihendataset ist lediglich ein TabularDataset mit der „fine_grain_timestamp“-Eigenschaft. Der DataDriftDetector kann dann Ad-hoc- oder geplante Aufträge ausführen, um zu ermitteln, ob das Zieldataset vom Baselinedataset abweicht.
from azureml.core import Workspace, Dataset
from azureml.datadrift import DataDriftDetector
ws = Workspace.from_config()
baseline = Dataset.get_by_name(ws, 'my_baseline_dataset')
target = Dataset.get_by_name(ws, 'my_target_dataset')
detector = DataDriftDetector.create_from_datasets(workspace=ws,
name="my_unique_detector_name",
baseline_dataset=baseline,
target_dataset=target,
compute_target_name='my_compute_target',
frequency="Day",
feature_list=['my_feature_1', 'my_feature_2'],
alert_config=AlertConfiguration(email_addresses=['user@contoso.com']),
drift_threshold=0.3,
latency=1)
delete
Löschen des Zeitplans für das DataDriftDetector-Objekt.
delete(wait_for_completion=True)
Parameter
Name | Beschreibung |
---|---|
wait_for_completion
|
Gibt an, ob auf den Abschluss des Löschvorgangs gewartet werden soll. Standardwert: True
|
disable_schedule
Deaktivieren des Zeitplans für das DataDriftDetector-Objekt.
disable_schedule(wait_for_completion=True)
Parameter
Name | Beschreibung |
---|---|
wait_for_completion
|
Gibt an, ob auf den Abschluss des Deaktivierungsvorgangs gewartet werden soll. Standardwert: True
|
enable_schedule
Erstellt einen Zeitplan zum Ausführen eines datasetbasierten DataDriftDetector-Auftrags.
enable_schedule(create_compute_target=False, wait_for_completion=True)
Parameter
Name | Beschreibung |
---|---|
create_compute_target
|
Gibt an, ob automatisch ein Azure Machine Learning-Computeziel erstellt wird. Standardwert: False
|
wait_for_completion
|
Gibt an, ob auf den Abschluss des Aktivierungsvorgangs gewartet werden soll. Standardwert: True
|
get_by_name
Abrufen eines eindeutigen DataDriftDetector-Objekts für einen bestimmten Arbeitsbereich und Namen.
static get_by_name(workspace, name)
Parameter
Name | Beschreibung |
---|---|
workspace
Erforderlich
|
Der Arbeitsbereich, in dem der DataDriftDetector erstellt wurde. |
name
Erforderlich
|
Der Name des DataDriftDetector-Objekts, das zurückgegeben werden soll. |
Gibt zurück
Typ | Beschreibung |
---|---|
Ein DataDriftDetector-Objekt. |
get_output
Abrufen eines Tupels mit den Driftergebnissen und Metriken für einen bestimmten DataDriftDetector in einem bestimmten Zeitfenster.
get_output(start_time=None, end_time=None, run_id=None)
Parameter
Name | Beschreibung |
---|---|
start_time
|
datetime, <xref:optional>
Die Startzeit des Ergebnisfensters in UTC. Wenn „None“ (Standardwert) angegeben wird, werden die letzten Ergebnisse des zehnten Zyklus als Startzeit verwendet. Wenn die Häufigkeit des Datendriftzeitplans beispielsweise „Day“ (Tag) lautet, ist Standardwert: None
|
end_time
|
datetime, <xref:optional>
Die Endzeit des Ergebnisfensters in UTC. Wenn „None“ (Standardwert) angegeben ist, wird als Endzeit der aktuelle Tag in UTC verwendet. Standardwert: None
|
run_id
|
int, <xref:optional>
Eine bestimmte Ausführungs-ID. Standardwert: None
|
Gibt zurück
Typ | Beschreibung |
---|---|
Ein Tupel mit einer Liste von Driftergebnissen und einer Liste einzelner Datasets und spaltenbasierter Metriken. |
Hinweise
Diese Methode gibt je nach Ausführungstyp (Ad-hoc-Ausführung, geplante Ausführung und Abgleichsausführung) ein Tupel mit Driftergebnissen und Metriken für ein Zeitfenster oder eine Ausführungs-ID zurück.
Es gibt nur eine Möglichkeit, die Ergebnisse einer Ad-hoc-Ausführung abzurufen:
run_id
muss eine gültige GUID sein.Das Abrufen der Ergebnisse geplanter Ausführungen und Abgleichsausführungen ist auf zwei Arten möglich: entweder durch Zuweisen einer gültigen GUID zu
run_id
oder durch Zuweisen einer bestimmtenstart_time
und/oderend_time
(einschließlich) und Beibehalten derrun_id
als „None“.Wenn
run_id
,start_time
undend_time
im gleichen Methodenaufruf nicht „None“ sind, wird eine Parametervalidierungsausnahme ausgelöst.
HINWEIS: Geben Sie entweder die Parameter start_time
und end_time
oder den Parameter run_id
an, aber nicht beide.
Mehrere Ergebnisse für dasselbe Zieldatum sind nicht möglich (Zieldatum bedeutet das Startdatum des Zieldatasets bei einer datasetbasierten Drift). Daher ist es erforderlich, doppelte Ergebnisse zu ermitteln und zu verarbeiten.
Wenn bei einer datasetbasierten Drift Ergebnisse für dasselbe Zieldatum vorliegen, sind dies doppelte Ergebnisse.
Die get_output
-Methode dedupliziert alle doppelten Ergebnisse mit einer Regel: Es werden immer die zuletzt generierten Ergebnisse ausgewählt.
Mit der get_output
-Methode können Sie alle Ausgaben oder Teilausgaben geplanter Ausführungen in einem bestimmten Zeitbereich zwischen start_time
und end_time
(Grenzwerte eingeschlossen) abrufen. Sie können auch die Ergebnisse einer einzelnen Ad-hoc-Ausführung einschränken, indem Sie run_id
angeben.
Verwenden Sie die folgenden Richtlinien, um die von der get_output
-Methode zurückgegebenen Ergebnisse zu interpretieren:
Das Prinzip der Filterung ist „überlappend“: Solange es eine Überschneidung zwischen der tatsächlichen Ergebniszeit (datasetbasiert: Zieldataset [Startdatum, Enddatum]) und dem angegebenen Wert [
start_time
,end_time
] gibt, wird das Ergebnis verwendet.Wenn es mehrere Ausgaben für ein Zieldatum gibt, da die Driftberechnung mehrmals für diesen Tag ausgeführt wurde, wird standardmäßig nur die neueste Ausgabe ausgewählt.
Da es mehrere Typen einer Datendriftinstanz gibt, können die Inhalte der Ergebnisse unterschiedlich sein.
Für datasetbasierte Ergebnisse sieht die Ausgabe wie folgt aus:
results : [{'drift_type': 'DatasetBased',
'result':[{'has_drift': True, 'drift_threshold': 0.3,
'start_date': '2019-04-03', 'end_date': '2019-04-04',
'base_dataset_id': '4ac144ef-c86d-4c81-b7e5-ea6bbcd2dc7d',
'target_dataset_id': '13445141-aaaa-bbbb-cccc-ea23542bcaf9'}]}]
metrics : [{'drift_type': 'DatasetBased',
'metrics': [{'schema_version': '0.1',
'start_date': '2019-04-03', 'end_date': '2019-04-04',
'baseline_dataset_id': '4ac144ef-c86d-4c81-b7e5-ea6bbcd2dc7d',
'target_dataset_id': '13445141-aaaa-bbbb-cccc-ea23542bcaf9'
'dataset_metrics': [{'name': 'datadrift_coefficient', 'value': 0.53459}],
'column_metrics': [{'feature1': [{'name': 'datadrift_contribution',
'value': 288.0},
{'name': 'wasserstein_distance',
'value': 4.858040000000001},
{'name': 'energy_distance',
'value': 2.7204799576545313}]}]}]}]
list
Ruft eine Liste der DataDriftDetector-Objekte für den angegebenen Arbeitsbereich und das optionale Dataset ab.
HINWEIS: Wenn nur der Parameter workspace
übergeben wird, werden alle Im Arbeitsbereich definierten DataDriftDetector-Objekte zurückgegeben.
static list(workspace, baseline_dataset=None, target_dataset=None)
Parameter
Name | Beschreibung |
---|---|
workspace
Erforderlich
|
Der Arbeitsbereich, in dem die DataDriftDetector-Objekte erstellt wurden. |
baseline_dataset
|
Baselinedataset zum Filtern der Rückgabeliste. Standardwert: None
|
target_dataset
|
Das Zieldataset zum Filtern der Rückgabeliste. Standardwert: None
|
Gibt zurück
Typ | Beschreibung |
---|---|
Eine Liste der DataDriftDetector-Objekte. |
run
Ausführen einer Datendriftanalyse für einen einzelnen Zeitpunkt.
run(target_date, compute_target=None, create_compute_target=False, feature_list=None, drift_threshold=None)
Parameter
Name | Beschreibung |
---|---|
target_date
Erforderlich
|
Das Zieldatum der Bewertungsdaten in UTC. |
compute_target
|
ComputeTarget oder
str
Optionales Azure Machine Learning-Computeziel oder Name des Computeziels. Wenn kein Wert angegeben wird, wird automatisch ein Computeziel erstellt. Standardwert: None
|
create_compute_target
|
Gibt an, ob automatisch ein Azure Machine Learning-Computeziel erstellt wird. Standardwert: False
|
feature_list
|
Optionale Features auf der Positivliste, für die die Datendrifterkennung ausgeführt werden soll. Standardwert: None
|
drift_threshold
|
Ein optionaler Schwellenwert für das Aktivieren von DataDriftDetector-Warnungen. Standardwert: None
|
Gibt zurück
Typ | Beschreibung |
---|---|
Eine DataDriftDetector-Ausführung. |
show
Anzeigen des Datendrifttrends in einem bestimmten Zeitbereich.
Standardmäßig zeigt diese Methode die letzten 10 Zyklen an. Wenn als Häufigkeit beispielsweise „Day“ (Tag) festgelegt wurde, sind dies die letzten 10 Tage. Wenn als Häufigkeit „Week“ (Woche) festgelegt wurde, sind dies die letzten 10 Wochen.
show(start_time=None, end_time=None)
Parameter
Name | Beschreibung |
---|---|
start_time
|
datetime, <xref:optional>
Der Anfang des Präsentationszeitfensters in UTC. Wenn „None“ (Standardwert) angegeben wird, werden die letzten Ergebnisse des zehnten Zyklus verwendet. Standardwert: None
|
end_time
|
datetime, <xref:optional>
Das Ende des Zeitfensters für Präsentationsdaten in UTC. Beim Standardwert „None“ wird das aktuelle Datum verwendet. Standardwert: None
|
Gibt zurück
Typ | Beschreibung |
---|---|
dict()
|
Ein Wörterbuch aller Werte. Der Schlüssel ist „service_name“. |
update
Aktualisieren des Zeitplans, der dem DataDriftDetector-Objekt zugeordnet ist.
Optionale Parameterwerte können auf None
festgelegt werden, andernfalls werden standardmäßig ihre vorhandenen Werte verwendet.
update(compute_target=Ellipsis, feature_list=Ellipsis, schedule_start=Ellipsis, alert_config=Ellipsis, drift_threshold=Ellipsis, wait_for_completion=True)
Parameter
Name | Beschreibung |
---|---|
compute_target
|
ComputeTarget oder
str
Optionales Azure Machine Learning-Computeziel oder Name des Computeziels. Wenn dieser Parameter nicht angegeben wird, erstellt der DataDriftDetector ein Computeziel. Standardwert: Ellipsis
|
feature_list
|
Features auf der Positivliste, für die die Datendrifterkennung ausgeführt werden soll. Standardwert: Ellipsis
|
schedule_start
|
Die Startzeit des Datendriftzeitplans in UTC. Standardwert: Ellipsis
|
alert_config
|
Ein optionales Configuration-Objekt für DataDriftDetector-Warnungen. Standardwert: Ellipsis
|
drift_threshold
|
Der Schwellenwert für das Aktivieren von DataDriftDetector-Warnungen. Standardwert: Ellipsis
|
wait_for_completion
|
Gibt an, ob auf den Abschluss der Vorgänge zum Aktivieren, Deaktivieren oder Löschen gewartet werden soll. Standardwert: True
|
Gibt zurück
Typ | Beschreibung |
---|---|
self |
Attribute
alert_config
Abrufen der Warnungskonfiguration des DataDriftDetector-Objekts.
Gibt zurück
Typ | Beschreibung |
---|---|
Ein AlertConfiguration-Objekt. |
baseline_dataset
Ruft das Baselinedataset ab, das dem DataDriftDetector-Objekt zugeordnet ist.
Gibt zurück
Typ | Beschreibung |
---|---|
Der Datasettyp des Baselinedatasets. |
compute_target
Abrufen des Computeziels, das an das DataDriftDetector-Objekt angefügt ist.
Gibt zurück
Typ | Beschreibung |
---|---|
Das Computeziel. |
drift_threshold
Abrufen des Driftschwellenwerts des DataDriftDetector-Objekts.
Gibt zurück
Typ | Beschreibung |
---|---|
Der Driftschwellenwert. |
drift_type
Ruft den Typ von DataDriftDetector ab. Derzeit wird nur der Wert „DatasetBased“ unterstützt.
Gibt zurück
Typ | Beschreibung |
---|---|
Der Typ des DataDriftDetector-Objekts. |
enabled
Abrufen des booleschen Werts, der angibt, ob das DataDriftDetector-Objekt aktiviert ist.
Gibt zurück
Typ | Beschreibung |
---|---|
Ein boolescher Wert. TRUE für aktiviert. |
feature_list
Abrufen der Liste der Features auf der Positivliste für das DataDriftDetector-Objekt.
Gibt zurück
Typ | Beschreibung |
---|---|
Eine Liste der Featurenamen |
frequency
Abrufen der Häufigkeit des DataDriftDetector-Zeitplans.
Gibt zurück
Typ | Beschreibung |
---|---|
Eine Zeichenfolge, entweder „Day“, „Week“ oder „Month“. |
interval
Abrufen des Intervalls des DataDriftDetector-Zeitplans.
Gibt zurück
Typ | Beschreibung |
---|---|
Ein ganzzahliger Wert in der Zeiteinheit. |
latency
Ruft die Latenz von Aufträgen im DataDriftDetector-Zeitplan (in Stunden) ab.
Gibt zurück
Typ | Beschreibung |
---|---|
Die Anzahl von Stunden, die die Latenz darstellen. |
name
Abrufen des Namens des DataDriftDetector-Objekts.
Gibt zurück
Typ | Beschreibung |
---|---|
Der DataDriftDetector-Name. |
schedule_start
Ruft die Startzeit des Zeitplans ab.
Gibt zurück
Typ | Beschreibung |
---|---|
Ein datetime-Objekt der geplanten Startzeit in UTC. |
state
Gibt den Status des DataDriftDetector-Zeitplans an.
Gibt zurück
Typ | Beschreibung |
---|---|
Mögliche Werte: „Disabled“, „Enabled“, „Deleted“, „Disabling“, „Enabling“, „Deleting“, „Failed“, „DisableFailed“, „EnableFailed“, „DeleteFailed“. |
target_dataset
Ruft das Zieldataset ab, das dem DataDriftDetector-Objekt zugeordnet ist.
Gibt zurück
Typ | Beschreibung |
---|---|
Der Datasettyp des Baselinedatasets. |
workspace
Abrufen des Arbeitsbereichs des DataDriftDetector-Objekts.
Gibt zurück
Typ | Beschreibung |
---|---|
Der Arbeitsbereich, in dem das DataDriftDetector-Objekt erstellt wurde. |
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für