ModelProxy Kelas

Catatan

Ini adalah kelas eksperimental, dan dapat berubah kapan saja. Lihat https://aka.ms/azuremlexperimental untuk mengetahui informasi selengkapnya.

Objek proksi untuk model AutoML yang memungkinkan inferensi pada komputasi jarak jauh.

Buat objek AutoML ModelProxy untuk mengirimkan inferensi ke lingkungan pelatihan.

Warisan

builtins.object

ModelProxy

Konstruktor

ModelProxy(child_run, compute_target=None)

Parameter

Nama	Deskripsi
child_run Diperlukan	Eksekusi anak dari mana model akan diunduh.
compute_target Diperlukan	Timpa komputasi target ke inferensi.

Metode

forecast	Kirimkan pekerjaan untuk menjalankan prakiraan pada model untuk nilai yang diberikan.
forecast_quantiles	Kirimkan pekerjaan untuk menjalankan prakiraan pada model untuk nilai yang diberikan.
predict	Kirimkan pekerjaan untuk menjalankan prakiraan pada model untuk nilai yang diberikan.
predict_proba	Kirimkan pekerjaan untuk menjalankan prakiraan pada model untuk nilai yang diberikan.
test	Ambil prediksi dari test_data lalu hitung metrik yang relevan.

forecast

Kirimkan pekerjaan untuk menjalankan prakiraan pada model untuk nilai yang diberikan.

forecast(X_values: Any, y_values: Any | None = None) -> Tuple[AbstractDataset, AbstractDataset]

Parameter

Nama	Deskripsi
X_values Diperlukan	AbstractDataset atau DataFrame atau ndarray Masukkan data pengujian untuk menjalankan prakiraan.
y_values	AbstractDataset atau DataFrame atau ndarray Masukkan nilai y untuk menjalankan prakiraan. Nilai default: None

Mengembalikan

Jenis	Deskripsi
	Nilai prakiraan.

forecast_quantiles

Kirimkan pekerjaan untuk menjalankan prakiraan pada model untuk nilai yang diberikan.

forecast_quantiles(X_values: Any, y_values: Any | None = None, forecast_destination: Any | None = None, ignore_data_errors: bool = False) -> AbstractDataset

Parameter

Nama	Deskripsi
X_values Diperlukan	AbstractDataset Masukkan data pengujian untuk menjalankan prakiraan.
y_values	Masukkan nilai y untuk menjalankan prakiraan. Nilai default: None
forecast_destination	<xref:pandas.Timestamp> Forecast_destination: nilai stempel waktu. Prakiraan akan dibuat sampai ke waktu forecast_destination, untuk semua grain. Input kamus { grain -> stempel waktu } tidak akan diterima. Jika forecast_destination tidak diberikan, itu akan diperhitungkan sebagai yang terakhir kali terjadi dalam X_pred untuk setiap grain. Nilai default: None
ignore_data_errors	bool Abaikan kesalahan dalam data pengguna. Nilai default: False

predict

Kirimkan pekerjaan untuk menjalankan prakiraan pada model untuk nilai yang diberikan.

predict(values: Any) -> AbstractDataset

Parameter

Nama	Deskripsi
values Diperlukan	AbstractDataset atau DataFrame atau ndarray Masukkan data pengujian untuk menjalankan prediksi.

Mengembalikan

Jenis	Deskripsi
	Nilai-nilai yang diprediksi.

predict_proba

Kirimkan pekerjaan untuk menjalankan prakiraan pada model untuk nilai yang diberikan.

predict_proba(values: Any) -> AbstractDataset

Parameter

Nama	Deskripsi
values Diperlukan	AbstractDataset atau DataFrame atau ndarray Masukkan data pengujian untuk menjalankan prediksi.

Mengembalikan

Jenis	Deskripsi
	Nilai-nilai yang diprediksi.

test

Ambil prediksi dari test_data lalu hitung metrik yang relevan.

test(test_data: AbstractDataset, include_predictions_only: bool = False) -> Tuple[AbstractDataset, Dict[str, Any]]

Parameter

Nama	Deskripsi
test_data Diperlukan	Himpunan data pengujian.
include_predictions_only	Apakah hanya memasukkan prediksi sebagai bagian dari output predictions.csv atau tidak. Jika parameter ini adalah True, kolom CSV output akan terlihat seperti (prakiraan sama dengan regresi): Classification => [predicted values], [probabilities] Regression => [predicted values] yang lain (default): Classification => [original test data labels], [predicted values], [probabilities], [features] Regression => [original test data labels], [predicted values], [features] Nama [original test data labels]kolom = [label column name] + "_orig". Nama [predicted values]kolom = [label column name] + "_predicted". Nama kolom [probabilities] = [class name] + "_predicted_proba". Nama kolom [features] = [feature column name] + "_orig". Jika test_data tidak menyertakan kolom target, [original test data labels] tidak akan berada di dataframe output. Nilai default: False

Mengembalikan

Jenis	Deskripsi
	Tuple yang berisi nilai yang diprediksi serta metrik.