PARANCSSOR (v2) Automatizált gépi tanulási előrejelzés parancsfeladat YAML-sémája
A KÖVETKEZŐRE VONATKOZIK: Azure CLI ml-bővítmény v2 (aktuális)
A forrás JSON-séma a következő helyen található: https://azuremlschemas.azureedge.net/latest/autoMLForecastingJob.schema.json
Feljegyzés
A dokumentumban részletezett YAML-szintaxis az ML CLI v2 bővítmény legújabb verziójának JSON-sémáján alapul. Ez a szintaxis garantáltan csak az ML CLI v2 bővítmény legújabb verziójával működik. A régebbi bővítményverziók sémáit a következő helyen https://azuremlschemasprod.azureedge.net/találja: .
YAML-szintaxis
Kulcs | Típus | Leírás | Megengedett értékek | Alapértelmezett érték |
---|---|---|---|---|
$schema |
húr | A YAML-séma betöltésének helye/URL-címe. Ha a felhasználó az Azure Machine Learning VS Code bővítményt használja a YAML-fájl létrehozásához, a fájl tetején is $schema lehetővé teszi a felhasználó számára a séma- és erőforrás-kiegészítések meghívását. |
||
compute |
húr | Szükséges. A feladat végrehajtásához használandó AML számítási infrastruktúra neve. A számítás lehet hivatkozás egy meglévő számítási gépre a munkaterületen Megjegyzés: a folyamatban lévő feladatok nem támogatják a "helyi" mint compute . A "helyi" itt azt jelenti, hogy a számítási példány a felhasználó Azure Machine Learning Studio-munkaterületén jött létre. |
1. meglévő számítási minta [^azureml:<compute_name>] ,2. 'local' helyi végrehajtás használata |
'local' |
limits |
object | Az automatizált gépi tanulási táblázatos feladat korlátkonfigurációiból álló szótárobjektumot jelöl. A kulcs a feladat környezetében a korlát neve, az érték pedig a korlát értéke. Az objektum tulajdonságainak kiderítéséhez tekintse meg a korlátokat . |
||
name |
húr | A beküldött automatizált gépi tanulási feladat neve. A munkaterület összes feladatában egyedinek kell lennie. Ha nincs megadva, az Azure Machine Learning automatikusan létrehoz egy GUID azonosítót a névhez. |
||
description |
húr | Az automatizált gépi tanulási feladat leírása. | ||
display_name |
húr | Annak a feladatnak a neve, amelyet a felhasználó meg szeretne jeleníteni a stúdió felhasználói felületén. Nem egyedi lehet a munkaterületen belül. Ha nincs megadva, az Azure Machine Learning automatikusan létrehozza a megjelenítendő névhez tartozó, olvasható melléknév-főnév azonosítóját. | ||
experiment_name |
húr | A kísérlet neve. A kísérletek az Azure-beli gépi tanulási feladatok rekordjai. A kísérletek a futtatások eredményeit, valamint a naplókat, diagramokat és grafikonokat tartalmazzák. Az egyes feladatok futási rekordja a megfelelő kísérlet alatt van rendszerezve a stúdió "Kísérletek" lapján. |
Annak a munkakönyvtárnak a neve, amelyben létrejött | |
environment_variables |
object | A parancs végrehajtásának folyamatához beállítandó környezeti változók szótárobjektuma. | ||
outputs |
object | A feladat kimeneti konfigurációinak szótárát jelöli. A kulcs a feladat környezetében lévő kimenet neve, az érték pedig a kimeneti konfiguráció. Az objektum tulajdonságainak megkereséséhez tekintse meg a feladat kimenetét . | ||
log_files |
object | Egy automatikus gépi tanulási feladat végrehajtásának naplóit tartalmazó szótárobjektum | ||
log_verbosity |
húr | A naplófájlba való írás részletességének szintje. Az elfogadható értékek a Python naplózási kódtárában vannak definiálva. |
'not_set' , 'debug' , 'info' , 'warning' 'error' 'critical' |
'info' |
type |
Const | Szükséges. A feladat típusa. |
automl |
automl |
task |
Const | Szükséges. A végrehajtandó automatizált gépi tanulási feladat típusa. |
forecasting |
forecasting |
target_column_name |
húr | Szükséges. Az előrejelzendő oszlop nevét jelöli. Az automatizált gépi tanulási feladat hibát jelez, ha nincs megadva. |
||
featurization |
object | Az egyéni featurizáció konfigurálását meghatározó szótárobjektum. Ha nem jön létre, az automatikus gépi tanulási konfiguráció automatikus featurizációt alkalmaz. Az objektum tulajdonságainak megtekintéséhez tekintse meg a featurizációt . | ||
forecasting |
object | Az előrejelzési feladat beállításait meghatározó szótárobjektum. Tekintse meg az előrejelzést az objektum tulajdonságainak kiderítéséhez. | ||
n_cross_validations |
sztring vagy egész szám | A modell/folyamat kiválasztása során végrehajtandó keresztérvényesítések száma, ha validation_data nincs megadva.Ha mind a paraméter, mind validation_data a paraméter nincs megadva vagy be van állítva None , akkor az automatikus gépi tanulási feladat alapértelmezés szerint be auto van állítva. distributed_featurization Ha engedélyezve van, és validation_data nincs megadva, akkor alapértelmezés szerint 2 értékre van állítva. |
'auto' , [int] |
None |
primary_metric |
húr | Az automatizált gépi tanulás által a Time Series Előrejelzési modell kiválasztásához optimalizált metrika. Ha allowed_training_algorithms "tcn_forecaster" van használatban a betanításhoz, akkor az automatizált gépi tanulás csak a "normalized_root_mean_squared_error" és a "normalized_mean_absolute_error" használatát támogatja primary_metric. |
"spearman_correlation" , , "normalized_root_mean_squared_error" "r2_score" "normalized_mean_absolute_error" |
"normalized_root_mean_squared_error" |
training |
object | A modell betanításában használt konfigurációt meghatározó szótárobjektum. Az objektum tulajdonságainak kiderítéséhez tekintse meg a betanítást . |
||
training_data |
object | Szükséges Egy szótárobjektum, amely az MLTable-konfigurációt tartalmazza, amely meghatározza a modellbetanítás bemeneteként használandó betanítási adatokat. Ezek az adatok az adatok egy részhalmazát alkotják, és független funkciókból/oszlopokból és célfunkciókból/oszlopokból kell lenniük. A felhasználó használhat egy regisztrált MLTable-t a munkaterületen ":" formátumban (pl. Input(mltable='my_mltable:1')) VAGY használhat helyi fájlt vagy mappát MLTable-ként (pl. Input(mltable=MLTable(local_path="./data")). Ezt az objektumot meg kell adni. Ha a célfunkció nem szerepel a forrásfájlban, akkor az automatizált gépi tanulás hibát jelez. Ellenőrizze a betanítási, ellenőrzési vagy tesztelési adatokat az objektum tulajdonságainak kiderítéséhez. |
||
validation_data |
object | Egy szótárobjektum, amely az MLTable konfigurációt tartalmazza, amely meghatározza az automatizált gépi tanulási kísérletben a keresztérvényesítéshez használandó érvényesítési adatokat. Az objektumnak független funkciókból/oszlopokból és célfunkcióból/oszlopból kell állnia, ha ez az objektum meg van adva. A betanítási és érvényesítési adatok mintái nem fedhetik egymást egymással. Az objektum tulajdonságainak kiderítéséhez tekintse meg a betanítási, érvényesítési vagy tesztelési adatokat . Ha ez az objektum nincs definiálva, akkor az automatizált gépi tanulás az érvényességi adatok felosztását használja n_cross_validations az objektumban definiált betanítási training_data adatokból. |
||
test_data |
object | Egy szótárobjektum, amely az MLTable konfigurációt tartalmazza, amely meghatározza a tesztfuttatásban használandó tesztadatokat az előrejelzésekhez a legjobb modell használatával, és meghatározott metrikák használatával értékeli ki a modellt. Az objektum csak a betanítási adatokban használt független funkciókból állhat (célfunkció nélkül), ha ez az objektum meg van adva. Ellenőrizze a betanítási, ellenőrzési vagy tesztelési adatokat az objektum tulajdonságainak kiderítéséhez. Ha nincs megadva, akkor az automatizált gépi tanulás más beépített módszerekkel javasolja a legjobb modellt a következtetéshez. |
Határok
Kulcs | Típus | Leírás | Megengedett értékek | Alapértelmezett érték |
---|---|---|---|---|
enable_early_termination |
Logikai | Azt jelzi, hogy engedélyezi-e a kísérlet befejezését, ha a veszteség pontszáma nem javul az "x" iterációk száma után. Automatizált gépi tanulási feladat esetén az első 20 iterációban nincs korai leállítás. A korai leállítási ablak csak az első 20 iteráció után indul el. |
true , false |
true |
max_concurrent_trials |
egész szám | A párhuzamosan végrehajtandó kísérletek (gyermekfeladatok) maximális száma. Erősen ajánlott az egyidejű futtatások számát a fürt csomópontjainak számára állítani (aml számítás definiálva compute ). |
1 |
|
max_trials |
egész szám | Az automatizált ml-feladatok által a hiperparaméterek különböző kombinációjával futtatható betanítási algoritmusok maximális számát jelöli. Alapértelmezett értéke 1000. Ha enable_early_termination meg van adva, akkor a betanítási algoritmusok futtatásához használt kísérletek száma kisebb lehet. |
1000 |
|
max_cores_per_trial |
egész szám | Az egyes próbaverziók által használható magok maximális számát jelöli. Az alapértelmezett érték -1, ami azt jelenti, hogy a folyamat minden magját használja. | -1 |
|
timeout_minutes |
egész szám | Az elküldött automatizált gépi tanulási feladat futtatásának maximális időtartama percekben. A megadott idő elteltével a feladat leáll. Ez az időtúllépés magában foglalja a telepítést, a featurizációt, a betanítási futtatásokat, az ensemblinget és a modell magyarázatát (ha van ilyen) az összes próba esetében. Vegye figyelembe, hogy nem tartalmazza az ensembling és a modell magyarázatát a folyamat végén, ha a feladat nem fejeződik be a megadott határidőn timeout_minutes belül, mivel ezek a funkciók az összes próba (gyermekfeladat) elvégzése után érhetők el. Alapértelmezett értéke 360 perc (6 óra). Ha 1 óránál (60 percnél) rövidebb vagy egyenlő időtúllépést szeretne megadni, a felhasználónak meg kell győződnie arról, hogy az adathalmaz mérete nem nagyobb 10 000 000-nél (sorok száma oszlop) vagy hibaeredménynél. |
360 |
|
trial_timeout_minutes |
egész szám | Percekben megadott maximális idő, amellyel a beküldött automatizált gépi tanulási feladat minden próbafeladata (gyermekfeladata) futtatható. A megadott idő elteltével a gyermekfeladat leáll. | 30 |
|
exit_score |
float | A kísérlet által elérni kívánt pontszám. A kísérlet a megadott pontszám elérése után leáll. Ha nincs megadva (nincs feltétel), a kísérlet addig fut, amíg nem történik további előrehaladás a megadott primary metric . |
előrejelzés
Kulcs | Típus | Leírás | Megengedett értékek | Alapértelmezett érték |
---|---|---|---|---|
time_column_name |
húr | Szükséges Az adathalmaz azon oszlopának neve, amely az egyes idősorok időtengelyének felel meg. A betanításhoz, ellenőrzéshez vagy teszteléshez használt bemeneti adatkészletnek tartalmaznia kell ezt az oszlopot, ha a tevékenység . forecasting Ha nincs megadva vagy beállítva, az None automatizált gépi tanulási előrejelzési feladat hibát jelez, és leállítja a kísérletet. |
||
forecast_horizon |
sztring vagy egész szám | A maximális előrejelzési horizont az idősor gyakoriságának egységeiben. Ezek az egységek a betanítási adatok (például havonta, hetente) becsült időintervallumán alapulnak, amelyet az előrejelzési szolgáltató előre jelez. Ha Nincs vagy auto , akkor az alapértelmezett értéke 1, azaz "t+1" a bemeneti adatok utolsó időbélyegének t értékéből. |
auto , [int] |
0 |
frequency |
húr | Az előrejelzés létrehozásának gyakorisága, például napi, heti, éves stb. Ha nincs megadva, vagy Nincs értékre van állítva, akkor az alapértelmezett értéke az adathalmaz időindexéből lesz levonva. A felhasználó az adathalmaz kikövetkeztetett gyakoriságánál nagyobb értéket állíthat be, de nem kisebbet. Ha például az adathalmaz gyakorisága napi, akkor olyan értékeket vehet fel, mint a napi, heti, havi, de nem óránként, mivel az óránkénti gyakoriság kisebb, mint a napi (24 óra). További információért tekintse meg a pandas dokumentációját . |
None |
|
time_series_id_column_names |
sztring vagy lista(sztringek) | Az adatok több idősorba való csoportosításához használandó adatok oszlopainak neve. Ha time_series_id_column_names nincs definiálva, vagy Nincs értékre van állítva, az automatikus gépi tanulás automatikus észlelési logikával észleli az oszlopokat. | None |
|
feature_lags |
húr | Azt jelzi, hogy a felhasználó automatikusan késéseket szeretne-e generálni a megadott numerikus funkciókhoz. Az alapértelmezett érték a következő, auto ami azt jelenti, hogy az automatizált gépi tanulás automatikus javítási alapú heurisztika használatával automatikusan kiválasztja az késési rendeléseket, és létrehozza a megfelelő késési funkciókat az összes numerikus funkcióhoz. A "Nincs" azt jelenti, hogy nem jön létre késés a numerikus funkciókhoz. |
'auto' , None |
None |
country_or_region_for_holidays |
húr | Az ünnepi szolgáltatások létrehozásához használandó ország vagy régió. Ezeket a karaktereket az ISO 3166 kétbetűs ország-/régiókódokban kell ábrázolni, például "US" vagy "GB". Az ISO-kódok listája a következő helyen https://wikipedia.org/wiki/List_of_ISO_3166_country_codestalálható: . | None |
|
cv_step_size |
sztring vagy egész szám | Az egyes CV-hajtások origin_time és a következő hajtás közötti időszakok száma. Ha például napi adatok esetében 3-ra van állítva, az egyes hajtások forrásideje három nap különbséget jelent. Ha nincs megadva, vagy nincs megadva, akkor alapértelmezés szerint be van állítva auto . Ha egész szám típusú, akkor a minimális érték 1, máskülönben hibát jelez. |
auto , [int] |
auto |
seasonality |
sztring vagy egész szám | Az idősor szezonalitása az adatsor gyakoriságának egész számaként. Ha a szezonalitás nincs megadva, annak értéke a következőre 'auto' van állítva, ami azt jelenti, hogy az automatikus gépi tanulás automatikusan kikövetkezteti. Ha ez a paraméter nincs beállítva None , az automatizált gépi tanulás nem szezonálisként feltételezi az idősort, ami egyenértékű az 1 egész szám értékének beállításával. |
'auto' , [int] |
auto |
short_series_handling_config |
húr | Azt jelzi, hogy az automatizált gépi tanulás hogyan kezelje a rövid idősorokat, ha meg van adva. A következő értékeket veszi fel:
|
'auto' , 'pad' , 'drop' None |
auto |
target_aggregate_function |
húr | A céloszlop idősorokban való összesítéséhez és az előrejelzések meghatározott gyakoriságú (a következőben freq definiált) aggregátumfüggvényét jelöli. Ha ez a paraméter be van állítva, de a freq paraméter nincs beállítva, a rendszer hibát jelez. A rendszer kihagyja vagy Nincs értékre állítja, majd nem alkalmaz összesítést. |
'sum' , 'max' , 'min' 'mean' |
auto |
target_lags |
sztring vagy egész szám vagy lista(egész szám) | Az adathalmaz gyakorisága alapján a célértékektől való eltéréshez használandó múltbeli/előzményidőszakok száma. Alapértelmezés szerint ez a paraméter ki van kapcsolva. A 'auto' beállítás lehetővé teszi, hogy a rendszer automatikus heurisztikus késést használjon. Ezt az késési tulajdonságot akkor kell használni, ha a független változók és a függő változók közötti kapcsolat alapértelmezés szerint nem korrelál. További információ: Az idősorok előrejelzésének késési funkciói az automatizált gépi tanulásban. |
'auto' , [int] |
None |
target_rolling_window_size |
sztring vagy egész szám | A céloszlop gördülőablak-átlagának létrehozásához használandó múltbeli megfigyelések száma. Az előrejelzés során ez a paraméter n előzményidőszakot jelöl az előrejelzett értékek létrehozásához, <= betanítási csoport mérete. Ha nincs megadva, n a betanítási csoport teljes mérete. Adja meg ezt a paramétert, ha csak bizonyos mennyiségű előzményt szeretne figyelembe venni a modell betanításakor. | 'auto' egész szám None |
None |
use_stl |
húr | Az STL-felbontás idősorokra való alkalmazásával létrehozandó összetevők. Ha nincs megadva, vagy Nincs értékre van állítva, a rendszer nem hoz létre idősor-összetevőt. use_stl két értéket vehet fel: 'season' : szezonösszetevő létrehozása. 'season_trend' : szezonautomata és trendösszetevők létrehozása. |
'season' , 'seasontrend' |
None |
betanítási, ellenőrzési vagy tesztelési adatok
Kulcs | Típus | Leírás | Megengedett értékek | Alapértelmezett érték |
---|---|---|---|---|
datastore |
húr | Annak az adattárnak a neve, amelyben a felhasználó adatokat tölt fel. | ||
path |
húr | Az az elérési út, ahonnan az adatokat be kell tölteni. Lehet elérési file út, folder elérési út vagy pattern elérési út. pattern egy keresési mintát ad meg, amely lehetővé teszi az adatokat tartalmazó fájlok és mappák globbing(* és ** ) használatát. A támogatott URI-típusok a következőkazureml : , https , wasbs abfss és adl . További információ: Core yaml szintaxis az azureml:// URI formátum használatának megértéséhez. Az összetevőfájl helyének URI-ja. Ha ez az URI nem rendelkezik sémával (például http:, azureml: stb.), akkor helyi hivatkozásnak számít, és az entitás létrehozásakor a rendszer feltölti az alapértelmezett munkaterületi blobtárolóba. |
||
type |
Const | A bemeneti adatok típusa. A számítógépes látásmodellek létrehozásához a felhasználónak címkézett képadatokat kell bevinnie a modell betanításához MLTable formátumban. | mltable |
mltable |
képzés
Kulcs | Típus | Leírás | Megengedett értékek | Alapértelmezett érték |
---|---|---|---|---|
allowed_training_algorithms |
list(sztring) | A kísérlet modellbetanításának alapmodelljeként kipróbálandó idősor-előrejelzési algoritmusok listája. Ha nincs megadva, vagy Nincs értékre van állítva, akkor a kísérlet során minden támogatott algoritmust használ, kivéve a megadott blocked_training_algorithms algoritmusokat. |
'auto_arima' , 'prophet' , 'naive' ,'seasonal_naive' , 'average' 'seasonal_average' , 'exponential_smoothing' , 'arimax' 'tcn_forecaster' , , 'elastic_net' , 'gradient_boosting' , 'decision_tree' , 'knn' , , 'lasso_lars' , 'sgd' , 'random_forest' , 'extreme_random_trees' 'light_gbm' 'xg_boost_regressor' |
None |
blocked_training_algorithms |
list(sztring) | Az idősor-előrejelzési algoritmusok listája, hogy ne fussanak alapmodellként, miközben modellbetanítást futtatnak egy kísérletben. Ha nincs megadva, vagy Nincs értékre van állítva, akkor a modell betanítása során minden támogatott algoritmust használ. | 'auto_arima' , 'prophet' , 'naive' , 'seasonal_naive' , 'average' , 'seasonal_average' 'exponential_smoothing' , 'arimax' , ,'tcn_forecaster' 'elastic_net' , 'gradient_boosting' , 'decision_tree' , 'knn' , , 'lasso_lars' , 'sgd' , 'random_forest' , 'extreme_random_trees' 'light_gbm' 'xg_boost_regressor' |
None |
enable_dnn_training |
Logikai | A DNN-alapú modellek felvételének bekapcsolására vagy kikapcsolására használható jelző, amely kipróbálható a modell kiválasztása során. | True , False |
False |
enable_model_explainability |
Logikai | Egy jelzőt jelöl, amely bekapcsolja a modell magyarázhatóságát, például a funkció fontosságát, az automatizált gépi tanulási rendszer által kiértékelt legjobb modellnek. | True , False |
True |
enable_vote_ensemble |
Logikai | Jelölő egyes alapmodellek szavazási algoritmussal való engedélyezéséhez vagy letiltásához. Az együttesekről további információt az Automatikus betanítása beállítás című témakörben talál. | true , false |
true |
enable_stack_ensemble |
Logikai | Jelölő egyes alapmodellek veremezési algoritmussal való engedélyezéséhez vagy letiltásához. Az előrejelzési feladatokban ez a jelző alapértelmezés szerint ki van kapcsolva, hogy elkerülje a túlillesztés kockázatát a metatanuló illesztéséhez használt kis betanítási készlet miatt. Az együttesekről további információt az Automatikus betanítása beállítás című témakörben talál. | true , false |
false |
featurization
Kulcs | Típus | Leírás | Megengedett értékek | Alapértelmezett érték |
---|---|---|---|---|
mode |
húr | Az automatizált gépi tanulási feladat által használandó featurizációs mód. Beállítás a következőre: 'auto' azt jelzi, hogy a featurizációs lépést automatikusan kell-e elvégezni'off' azt jelzi, hogy nincs olyan featurizáció<'custom' , amely azt jelzi, hogy a testre szabott featurizációt kell-e használni. Megjegyzés: Ha a bemeneti adatok ritkán fordulnak elő, a featurizáció nem kapcsolható be. |
'auto' , , 'off' 'custom' |
None |
blocked_transformers |
list(sztring) | Az automated ML által a featurizáció során letiltandó transzformátornevek listája, ha a featurizáció mode "egyéni" értékre van állítva. |
'text_target_encoder' , 'one_hot_encoder' , 'cat_target_encoder' , 'tf_idf' , 'wo_e_target_encoder' 'label_encoder' , 'word_embedding' , 'naive_bayes' , , 'count_vectorizer' 'hash_one_hot_encoder' |
None |
column_name_and_types |
object | Egy szótárobjektum, amely oszlopneveket tartalmaz diktálási kulcsként, és az oszlop céljának társított értékként való frissítéséhez használt funkciótípusokat, ha a featurizáció mode "egyéni" értékre van állítva. |
||
transformer_params |
object | Egy beágyazott szótárobjektum, amely kulcsként transzformátornevet és a megfelelő testreszabási paramétereket tartalmaz az adathalmazoszlopokon a featurizáláshoz, ha a featurizáció mode "egyéni" értékre van állítva.Az előrejelzés csak a testreszabáshoz támogatja imputer a transzformátort.Tekintse meg column_transformers , hogyan hozhat létre testreszabási paramétereket. |
None |
column_transformers
Kulcs | Típus | Leírás | Megengedett értékek | Alapértelmezett érték |
---|---|---|---|---|
fields |
list(sztring) | A megadott transformer_params oszlopnevek listája. |
||
parameters |
object | Egy olyan szótárobjektum, amely kulcsként és értékként a "stratégia" mint számítási stratégia. A megadásával kapcsolatos további részleteket az alábbi példákban találja. |
Feladatkimenetek
Kulcs | Típus | Leírás | Megengedett értékek | Alapértelmezett érték |
---|---|---|---|---|
type |
húr | A feladat kimenetének típusa. Az alapértelmezett uri_folder típus esetében a kimenet egy mappának felel meg. |
uri_folder , , mlflow_model custom_model |
uri_folder |
mode |
húr | A kimeneti fájl(ok) céltárolóba való kézbesítésének módja. Olvasási-írási csatlakoztatási mód (rw_mount ) esetén a kimeneti könyvtár egy csatlakoztatott könyvtár. Feltöltési mód esetén az írott fájl(ok) a feladat végén lesznek feltöltve. |
rw_mount , upload |
rw_mount |
Előrejelzési feladat futtatása parancssori felületen
az ml job create --file [YOUR_CLI_YAML_FILE] --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]
Gyorshivatkozások további információkért:
- A parancssori felület telepítése és használata (v2)
- Automatizált gépi tanulási feladat futtatása parancssori felületen
- Az előrejelzések automatikus betanítása
- CLI-előrejelzési példák:
Narancslé értékesítés előrejelzése
Energiaigény előrejelzése
Kerékpármegosztási igények előrejelzése
GitHub Napi aktív felhasználók előrejelzése