ModelProxy Clase
Nota
Se trata de una clase experimental y puede cambiar en cualquier momento. Consulte https://aka.ms/azuremlexperimental para más información.
Objeto proxy para los modelos de AutoML que habilita la inferencia en el proceso remoto.
Cree un objeto ModelProxy de AutoML para enviar la inferencia al entorno de entrenamiento.
- Herencia
-
builtins.objectModelProxy
Constructor
ModelProxy(child_run, compute_target=None)
Parámetros
- child_run
La ejecución secundaria desde la que se descargará el modelo.
- compute_target
Sobrescriba el proceso de destino en el que se va a realizar la inferencia.
Métodos
forecast |
Envíe un trabajo para ejecutar la previsión en el modelo para los valores dados. |
forecast_quantiles |
Envíe un trabajo para ejecutar forecast_quantiles en el modelo para los valores dados. |
predict |
Envíe un trabajo para ejecutar predict en el modelo para los valores dados. |
predict_proba |
Envíe un trabajo para ejecutar predict_proba en el modelo para los valores dados. |
test |
Recupere las predicciones de |
forecast
Envíe un trabajo para ejecutar la previsión en el modelo para los valores dados.
forecast(X_values: Any, y_values: Any | None = None) -> Tuple[AbstractDataset, AbstractDataset]
Parámetros
- X_values
- AbstractDataset o DataFrame o ndarray
Datos de prueba de entrada en los que ejecutar la previsión.
- y_values
- AbstractDataset o DataFrame o ndarray
Introduzca los valores y en los que se ejecutará la previsión.
Devoluciones
Valores de previsión.
forecast_quantiles
Envíe un trabajo para ejecutar forecast_quantiles en el modelo para los valores dados.
forecast_quantiles(X_values: Any, y_values: Any | None = None, forecast_destination: Any | None = None, ignore_data_errors: bool = False) -> AbstractDataset
Parámetros
- y_values
Introduzca los valores y en los que se ejecutará la previsión.
- forecast_destination
- <xref:pandas.Timestamp>
Forecast_destination: un valor de marca de tiempo. Las previsiones se realizarán hasta la hora de forecast_destination, para todos los granos. No se aceptará la entrada de diccionario { grain -> timestamp }. Si no se proporciona forecast_destination, se imputará como la última vez que se produjo en X_pred para cada grano.
predict
Envíe un trabajo para ejecutar predict en el modelo para los valores dados.
predict(values: Any) -> AbstractDataset
Parámetros
- values
- AbstractDataset o DataFrame o ndarray
Datos de prueba de entrada en los que se va a ejecutar la predicción.
Devoluciones
Valores previstos.
predict_proba
Envíe un trabajo para ejecutar predict_proba en el modelo para los valores dados.
predict_proba(values: Any) -> AbstractDataset
Parámetros
- values
- AbstractDataset o DataFrame o ndarray
Datos de prueba de entrada en los que se va a ejecutar la predicción.
Devoluciones
Valores previstos.
test
Recupere las predicciones de test_data
y calcule las métricas pertinentes.
test(test_data: AbstractDataset, include_predictions_only: bool = False) -> Tuple[AbstractDataset, Dict[str, Any]]
Parámetros
- test_data
Conjunto de datos de prueba.
- include_predictions_only
Si solo se deben incluir o no las predicciones como parte de la salida predictions.csv.
Si este parámetro es True
, las columnas CSV de salida tienen el aspecto siguiente (la previsión es la misma que la regresión):
Classification => [predicted values], [probabilities]
Regression => [predicted values]
else (predeterminado):
Classification => [original test data labels], [predicted values], [probabilities], [features]
Regression => [original test data labels], [predicted values], [features]
Nombre de columna [original test data labels]
= [label column name] + "_orig"
.
Nombre de columna [predicted values]
= [label column name] + "_predicted"
.
Los nombres de columna [probabilities]
= [class name] + "_predicted_proba"
.
Los nombres de columna [features]
= [feature column name] + "_orig"
.
Si test_data
no incluye una columna de destino, [original test data labels]
no estará en la trama de datos de salida.
Devoluciones
Una tupla que contiene los valores predichos y las métricas.
Comentarios
https://aka.ms/ContentUserFeedback.
Próximamente: A lo largo de 2024 iremos eliminando gradualmente GitHub Issues como mecanismo de comentarios sobre el contenido y lo sustituiremos por un nuevo sistema de comentarios. Para más información, vea:Enviar y ver comentarios de