constants Módulo

Define las constantes que se usan en ML automatizado de Azure Machine Learning.

Antes de comenzar un experimento, especifique el tipo de problema de aprendizaje automático que va a resolver con la clase AutoMLConfig. Azure Machine Learning admite tipos de tareas de clasificación: regresión y previsión. Para obtener más información, consulte Definición de una tarea de aprendizaje automático.

Para la clasificación, regresión y previsión de tipos de tareas, los algoritmos admitidos se enumeran, respectivamente, en las clases Classification, Regression y Forecasting. Los algoritmos enumerados para cada tipo de tarea se usan durante el proceso de automatización y optimización. Como usuario, no hay ninguna necesidad de especificar el algoritmo. Para obtener más información, consulte Configuración de experimentos de ML automatizado en Python.

Clases

AutoMLPipelineScenario	Constantes para el escenario de canalización de AutoML.
ComputeTargets	Define los nombres de destinos de proceso admitidos en ML en Azure Machine Learning. Especifique el destino de proceso de una ejecución de experimento mediante la clase AutoMLConfig.
Environments	Entornos seleccionados definidos para AutoML.
ExperimentObserver	Constantes usadas por el observador del experimento para notificar el progreso durante el preprocesamiento.
Framework	Constantes para los distintos marcos admitidos.
HTSConstants	Conjuntos usados por ejecuciones de series temporales jerárquicas de AutoML.
InferenceTypes	Constantes para los tipos de inferencia admitidos.
Scenarios	Constantes para los distintos escenarios de entornos seleccionados.
SupportedInputDatatypes	Tipos de datos de entrada admitidos por AutoML para distintos tipos de ejecución.
SupportedModels	Define nombres descriptivos para los algoritmos de ML automatizado admitidos por Azure Machine Learning. Si planea exportar los modelos creados mediante ML automatizado a un modelo https://docs.microsoft.com/azure/machine-learning/concept-onnx de ONNX, solo los algoritmos que se indican con un * se pueden convertir al formato ONNX. Más información sobre la conversión de modelos a ONNX <https://docs.microsoft.com/azure/machine-learning/concept-automated-ml#automl–onnx>. Clasificación | ————————————| Regresión logística* | GBM claro* | Potenciación del gradiente* | Árbol de decisión* | K Vecinos más próximos* | SVC lineal | Clasificación de vectores de soporte (SVC)| Bosque aleatorio | Árboles extremadamente aleatorios* | Xgboost* | Clasificador perceptrón promediado | Naive* Bayes | Descenso de gradiente estocástico (SGD)* | Clasificador SVM lineal* | Clasificador de TabNet | Regresión | ———————————– | Red elástica* | GBM claro* | Potenciación del gradiente* | Árbol de decisión* | K Vecinos más próximos* | LARS Lasso* | Descenso de gradiente estocástico (SGD) | Bosque aleatorio* | Árboles extremadamente aleatorios* | Xgboost* | Regresor de descenso de gradiente en línea | Regresor lineal rápido | Regresor de TabNet | Time Series Forecasting | ———————————– | Red elástica | GBM claro | Potenciación del gradiente | Árbol de decisión | K Vecinos más próximos | LARS Lasso | Descenso de gradiente estocástico (SGD) | Bosque aleatorio | Árboles extremadamente aleatorios | Xgboost | Auto-ARIMA | Prophet | ForecastTCN |
Tasks	Una subclase de Tareas en el módulo common.core que se puede extender para agregar más tipos de tareas para el SDK. Puede establecer el tipo de tarea para los experimentos ML automatizados mediante el parámetro task del constructor AutoMLConfig. Para obtener más información sobre las tareas, consulte Definición de una tarea de aprendizaje automático.
TimeSeries	Define los parámetros usados para la previsión de series temporales. Los parámetros se especifican con la clase AutoMLConfig. La tarea de previsión de series temporal requiere estos parámetros adicionales durante la configuración.

Enumeraciones

HTSSupportedInputType

Enumeración para los tipos de entrada admitidos.

DATA_SCRIPT_FILE_NAME

Nombres de algoritmos que no admiten pesos de muestra.

DATA_SCRIPT_FILE_NAME = 'get_data.py'

Sample_Weights_Unsupported

Nombres de algoritmo que debemos forzar para ejecutarse en modo de subproceso único.

Sample_Weights_Unsupported = {'ElasticNet', 'KNeighborsClassifier', 'KNeighborsRegressor', 'LassoLars'}