AutoMLRun Clase
Representa una ejecución de experimento de ML automatizado en Azure Machine Learning.
La clase AutoMLRun se puede usar para administrar una ejecución, comprobar el estado de la ejecución y recuperar los detalles de la ejecución una vez enviada una ejecución de AutoML. Para más información sobre cómo trabajar con ejecuciones de experimentos, consulte la clase Run.
Inicialice una ejecución de AutoML.
- Herencia
-
AutoMLRun
Constructor
AutoMLRun(experiment, run_id, **kwargs)Parámetros
Comentarios
Se devuelve un objeto AutoMLRun cuando se usa el método submit de un experimento.
Para recuperar una ejecución que ya se ha iniciado, use el código siguiente:
from azureml.train.automl.run import AutoMLRun
ws = Workspace.from_config()
experiment = ws.experiments['my-experiment-name']
automl_run = AutoMLRun(experiment, run_id = 'AutoML_9fe201fe-89fd-41cc-905f-2f41a5a98883')
Métodos
| cancel |
Cancela una ejecución de AutoML. Devuelve True si la ejecución de AutoML se canceló correctamente. |
| cancel_iteration |
Cancela una ejecución secundaria determinada. |
| complete |
Completa una ejecución de AutoML. |
| continue_experiment |
Continúa un experimento de AutoML existente. |
| fail |
Error en una ejecución de AutoML. Opcionalmente, establezca la propiedad Error de la ejecución con un mensaje o una excepción que se pasan a |
| get_best_child |
Devuelve la ejecución secundaria con la mejor puntuación para esta ejecución de AutoML. |
| get_guardrails |
Imprime y devuelve los resultados detallados a partir de la comprobación del límite de protección. |
| get_output |
Devuelve la ejecución con la mejor canalización correspondiente que ya se ha probado. Si no se proporcionan parámetros de entrada, |
| get_run_sdk_dependencies |
Obtiene las dependencias de ejecución del SDK para una ejecución determinada. |
| pause |
Devuelve True si la ejecución de AutoML se puso en pausa correctamente. Este método no se implementa. |
| register_model |
Registra el modelo con el servicio ACI de AzureML. |
| resume |
Devuelve True si la ejecución de AutoML se reanudó correctamente. Este método no se implementa. |
| retry |
Devuelve True si la ejecución de AutoML se reintentó correctamente. Este método no se implementa. |
| summary |
Obtiene una tabla que contiene un resumen de los algoritmos intentados y sus puntuaciones. |
| wait_for_completion |
Espera a que se complete esta ejecución. Devuelve el objeto de estado después de la espera. |
cancel
Cancela una ejecución de AutoML.
Devuelve True si la ejecución de AutoML se canceló correctamente.
cancel()Devoluciones
None
cancel_iteration
Cancela una ejecución secundaria determinada.
cancel_iteration(iteration)Parámetros
Devoluciones
None
complete
Completa una ejecución de AutoML.
complete(**kwargs)Devoluciones
None
continue_experiment
Continúa un experimento de AutoML existente.
continue_experiment(X=None, y=None, sample_weight=None, X_valid=None, y_valid=None, sample_weight_valid=None, data=None, label=None, columns=None, cv_splits_indices=None, spark_context=None, experiment_timeout_hours=None, experiment_exit_score=None, iterations=None, show_output=False, training_data=None, validation_data=None, **kwargs)Parámetros
Características de entrenamiento.
Etiquetas de entrenamiento.
Ponderaciones de muestra para los datos de entrenamiento.
Características de validación.
Etiquetas de validación.
Ponderaciones de muestra del conjunto de validación.
Lista de columnas permitidas en los datos que se usarán como características.
- cv_splits_indices
- ndarray
Índices donde dividir los datos de entrenamiento para la validación cruzada. Cada fila es un plegamiento cruzado independiente y, dentro de cada uno de ellos, se proporcionan 2 matrices, la primera con los índices para las muestras que se usarán para los datos de entrenamiento y la segunda con los índices que se usarán para los datos de validación. Es decir, [[t1, v1], [t2, v2], ...] donde t1 son los índices de entrenamiento para el primer plegamiento cruzado y v1 son los índices de validación para el primer plegamiento cruzado.
- spark_context
- <xref:SparkContext>
Contexto de Spark; solo es aplicable cuando se usa en el entorno de Azure Databricks y Spark.
- experiment_timeout_hours
- float
Número de horas adicionales para ejecutar este experimento.
- experiment_exit_score
- int
Si se especifica, indica que el experimento finaliza cuando se alcanza este valor.
- iterations
- int
Número de iteraciones adicionales que se ejecutarán para este experimento.
- show_output
- bool
Marca que indica si se va a imprimir la salida en la consola.
- training_data
- <xref:azureml.dataprep.Dataflow> o DataFrame
Datos de entrenamiento de entrada.
- validation_data
- <xref:azureml.dataprep.Dataflow> o DataFrame
Datos de validación.
Devoluciones
Ejecución primaria de AutoML.
Tipo de valor devuelto
Excepciones
fail
Error en una ejecución de AutoML.
Opcionalmente, establezca la propiedad Error de la ejecución con un mensaje o una excepción que se pasan a error_details.
fail(error_details=None, error_code=None, _set_status=True, **kwargs)Parámetros
- error_code
- str
Código de error opcional para la clasificación de errores.
- _set_status
- bool
Indica si se va a enviar el evento de estado para el seguimiento.
get_best_child
Devuelve la ejecución secundaria con la mejor puntuación para esta ejecución de AutoML.
get_best_child(metric: str | None = None, onnx_compatible: bool = False, **kwargs: Any) -> RunParámetros
- metric
- str
Métrica que se va a usar al seleccionar la mejor ejecución que se va a devolver. El valor predeterminado es la métrica principal.
- onnx_compatible
Indica si solo se devuelven las ejecuciones que generaron modelos ONNX.
- kwargs
Devoluciones
Ejecución secundaria de AutoML.
get_guardrails
Imprime y devuelve los resultados detallados a partir de la comprobación del límite de protección.
get_guardrails(to_console: bool = True) -> Dict[str, Any]Parámetros
- to_console
- bool
Indica si se deben escribir los resultados de la comprobación en la consola.
Devoluciones
Diccionario de los resultados del comprobador.
Tipo de valor devuelto
Excepciones
get_output
Devuelve la ejecución con la mejor canalización correspondiente que ya se ha probado.
Si no se proporcionan parámetros de entrada, get_output devuelve la mejor canalización según la métrica principal. Como alternativa, puede usar el parámetro iteration o metric para recuperar una iteración determinada o la mejor ejecución por cada métrica proporcionada, respectivamente.
get_output(iteration: int | None = None, metric: str | None = None, return_onnx_model: bool = False, return_split_onnx_model: SplitOnnxModelName | None = None, **kwargs: Any) -> Tuple[Run, Any]Parámetros
- iteration
- int
Número de iteración de la ejecución correspondiente y el modelo ajustado que se va a devolver.
- metric
- str
Métrica que se va a usar al seleccionar la mejor ejecución y el modelo ajustado que se va a devolver.
- return_onnx_model
- bool
Este método devolverá el modelo ONNX convertido si el parámetro enable_onnx_compatible_models se estableció en True en el objeto AutoMLConfig.
- return_split_onnx_model
- SplitOnnxModelName
Tipo del modelo ONNX de división que se va a devolver
Devoluciones
La ejecución y el modelo ajustado correspondiente.
Tipo de valor devuelto
Excepciones
Comentarios
Si desea inspeccionar los preprocesadores y el algoritmo (estimador) utilizados, puede hacerlo mediante Model.steps, de forma similar a sklearn.pipeline.Pipeline.steps.
Por ejemplo, el código siguiente muestra cómo recuperar el estimador.
best_run, model = parent_run.get_output()
estimator = model.steps[-1]
get_run_sdk_dependencies
Obtiene las dependencias de ejecución del SDK para una ejecución determinada.
get_run_sdk_dependencies(iteration=None, check_versions=True, **kwargs)Parámetros
- iteration
- int
Número de iteración de la ejecución ajustada que se va a recuperar. Si es None (Ninguno), recupera el entorno primario.
- check_versions
- bool
Si es True, comprueba las versiones con el entorno actual. Si es False, superada.
Devoluciones
Diccionario de dependencias recuperado a partir del historial de ejecución.
Tipo de valor devuelto
Excepciones
pause
Devuelve True si la ejecución de AutoML se puso en pausa correctamente.
Este método no se implementa.
pause()Excepciones
register_model
Registra el modelo con el servicio ACI de AzureML.
register_model(model_name=None, description=None, tags=None, iteration=None, metric=None)Parámetros
- iteration
- int
Invalida para qué modelo se va a implementar. Implementa el modelo para una iteración determinada.
- metric
- str
Invalida para qué modelo se va a implementar. Implementa el mejor modelo para otra métrica.
Devoluciones
Objeto de modelo registrado.
Tipo de valor devuelto
resume
Devuelve True si la ejecución de AutoML se reanudó correctamente.
Este método no se implementa.
resume()Excepciones
retry
Devuelve True si la ejecución de AutoML se reintentó correctamente.
Este método no se implementa.
retry()Excepciones
summary
Obtiene una tabla que contiene un resumen de los algoritmos intentados y sus puntuaciones.
summary()Devoluciones
DataFrame de Pandas que contiene estadísticas del modelo de AutoML.
Tipo de valor devuelto
wait_for_completion
Espera a que se complete esta ejecución.
Devuelve el objeto de estado después de la espera.
wait_for_completion(show_output=False, wait_post_processing=False)Parámetros
- show_output
- bool
Indica si se va a mostrar la salida de la ejecución en sys.stdout.
- wait_post_processing
- bool
Indica si se va a esperar a que se complete el procesamiento posterior una vez completada la ejecución.
Devoluciones
Objeto de estado.
Tipo de valor devuelto
Excepciones
Atributos
run_id
Devuelve el identificador de ejecución de la ejecución actual.
Devoluciones
Identificador de ejecución de la ejecución actual.
Tipo de valor devuelto
Comentarios
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: https://aka.ms/ContentUserFeedback.
Enviar y ver comentarios de