ModelProxy Classe
Notes
Il s’agit d’une classe expérimentale qui peut changer à tout moment. Pour plus d’informations, consultez https://aka.ms/azuremlexperimental.
Objet proxy pour les modèles AutoML qui permet l’inférence sur le calcul distant.
Créez un objet AutoML ModelProxy pour envoyer l’inférence à l’environnement d’entraînement.
- Héritage
-
builtins.objectModelProxy
Constructeur
ModelProxy(child_run, compute_target=None)
Paramètres
- child_run
Exécution enfant à partir de laquelle le modèle sera téléchargé.
- compute_target
Remplacer pour que le calcul cible soit inférence.
Méthodes
forecast |
Envoyez un travail pour exécuter une prévision sur le modèle pour les valeurs données. |
forecast_quantiles |
Envoie un travail pour exécuter une forecast_quantiles sur le modèle pour les valeurs données. |
predict |
Envoie un travail pour exécuter une prédiction sur le modèle pour les valeurs données. |
predict_proba |
Envoie un travail pour exécuter predict_proba sur le modèle pour les valeurs données. |
test |
Récupère les prédictions à partir des |
forecast
Envoyez un travail pour exécuter une prévision sur le modèle pour les valeurs données.
forecast(X_values: Any, y_values: Any | None = None) -> Tuple[AbstractDataset, AbstractDataset]
Paramètres
- X_values
- AbstractDataset ou DataFrame ou ndarray
Données de test d’entrée sur lesquelles exécuter la prévision.
- y_values
- AbstractDataset ou DataFrame ou ndarray
Valeurs y d’entrée sur lesquelles exécuter la prévision.
Retours
Valeurs prévisionnelles.
forecast_quantiles
Envoie un travail pour exécuter une forecast_quantiles sur le modèle pour les valeurs données.
forecast_quantiles(X_values: Any, y_values: Any | None = None, forecast_destination: Any | None = None, ignore_data_errors: bool = False) -> AbstractDataset
Paramètres
- y_values
Valeurs y d’entrée sur lesquelles exécuter la prévision.
- forecast_destination
- <xref:pandas.Timestamp>
Forecast_destination : valeur d’horodatage. Des prévisions sont effectuées jusqu’à l’heure de forecast_destination, pour tous les fragments. L’entrée de dictionnaire { grain -> timestamp } ne sera pas acceptée. Si la valeur forecast_destination n’est pas spécifiée, elle sera imputée en tant que dernière occurrence dans X_pred pour chaque fragment.
predict
Envoie un travail pour exécuter une prédiction sur le modèle pour les valeurs données.
predict(values: Any) -> AbstractDataset
Paramètres
- values
- AbstractDataset ou DataFrame ou ndarray
Données de test d’entrée pour l’exécution de la prédiction.
Retours
Valeurs prédites.
predict_proba
Envoie un travail pour exécuter predict_proba sur le modèle pour les valeurs données.
predict_proba(values: Any) -> AbstractDataset
Paramètres
- values
- AbstractDataset ou DataFrame ou ndarray
Données de test d’entrée pour l’exécution de la prédiction.
Retours
Valeurs prédites.
test
Récupère les prédictions à partir des test_data
et calcule les métriques pertinentes.
test(test_data: AbstractDataset, include_predictions_only: bool = False) -> Tuple[AbstractDataset, Dict[str, Any]]
Paramètres
- test_data
Jeu de données de test.
- include_predictions_only
Indique s’il faut inclure uniquement les prédictions dans le cadre de la sortie predictions.csv.
Si ce paramètre est True
, les colonnes CSV de la sortie ressemblent à ce qui suit (la prévision est semblable à la régression) :
Classification => [predicted values], [probabilities]
Regression => [predicted values]
else (par défaut):
Classification => [original test data labels], [predicted values], [probabilities], [features]
Regression => [original test data labels], [predicted values], [features]
Nom de la colonne [original test data labels]
= [label column name] + "_orig"
.
Nom de la colonne [predicted values]
= [label column name] + "_predicted"
.
Les noms de colonne [probabilities]
= [class name] + "_predicted_proba"
.
Les noms de colonne [features]
= [feature column name] + "_orig"
.
Si les test_data
n’incluent pas de colonne cible, [original test data labels]
ne figurera pas dans la trame de données de sortie.
Retours
Tuple contenant les valeurs prédites et les métriques.
Commentaires
https://aka.ms/ContentUserFeedback.
Bientôt disponible : Tout au long de 2024, nous allons supprimer progressivement GitHub Issues comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultezEnvoyer et afficher des commentaires pour