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.object

ModelProxy

Constructeur

ModelProxy(child_run, compute_target=None)

Paramètres

child_run

Obligatoire

Exécution enfant à partir de laquelle le modèle sera téléchargé.

compute_target

Obligatoire

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 test_data et calcule les métriques pertinentes.

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

Obligatoire

Données de test d’entrée sur lesquelles exécuter la prévision.

y_values

AbstractDataset ou DataFrame ou ndarray

valeur par défaut: None

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

X_values

AbstractDataset

Obligatoire

Données de test d’entrée sur lesquelles exécuter la prévision.

y_values

valeur par défaut: None

Valeurs y d’entrée sur lesquelles exécuter la prévision.

forecast_destination

<xref:pandas.Timestamp>

valeur par défaut: None

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.

ignore_data_errors

bool

valeur par défaut: False

Ignore les erreurs dans les données utilisateur.

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

Obligatoire

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

Obligatoire

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

Obligatoire

Jeu de données de test.

include_predictions_only

valeur par défaut: False

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.