ModelProxy Klas

Opmerking

Dit is een experimentele klasse en kan op elk gewenst moment worden gewijzigd. Zie https://aka.ms/acr/connected-registry voor meer informatie.

Proxyobject voor AutoML-modellen die deductie op afstand mogelijk maken.

Maak een AutoML ModelProxy-object om deductie naar de trainingsomgeving te verzenden.

Constructor

ModelProxy(child_run, compute_target=None)

Parameters

Name	Description
child_run Vereist	De onderliggende uitvoering van waaruit het model wordt gedownload.
compute_target Vereist	Overschrijven voor de doel-rekenkracht waarop deductie moet worden uitgevoerd.

Methoden

forecast	Verzend een taak om prognose uit te voeren op het model voor de opgegeven waarden.
forecast_quantiles	Dien een taak in om forecast_quantiles uit te voeren op het model voor de opgegeven waarden.
predict	Verzend een taak om voorspellingen uit te voeren voor het model voor de opgegeven waarden.
predict_proba	Dien een taak in om predict_proba uit te voeren op het model voor de opgegeven waarden.
test	Haal voorspellingen op uit de test_data relevante metrische gegevens en bereken relevante metrische gegevens.

forecast

Verzend een taak om prognose uit te voeren op het model voor de opgegeven waarden.

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

Parameters

Name	Description
X_values Vereist	AbstractDataset of DataFrame of ndarray Invoertestgegevens om prognose op uit te voeren.
y_values	AbstractDataset of DataFrame of ndarray Voer y-waarden in waarop de prognose moet worden uitgevoerd. Default value: None

Retouren

Type	Description
	De prognosewaarden.

forecast_quantiles

Dien een taak in om forecast_quantiles uit te voeren op het model voor de opgegeven waarden.

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

Parameters

Name	Description
X_values Vereist	AbstractDataset Invoertestgegevens om prognose op uit te voeren.
y_values	Voer y-waarden in waarop de prognose moet worden uitgevoerd. Default value: None
forecast_destination	<xref:pandas.Timestamp> Forecast_destination: een tijdstempelwaarde. Prognoses worden helemaal tot aan de forecast_destination tijd gemaakt, voor alle korrels. De invoer van de woordenlijst { grain -> timestamp } wordt niet geaccepteerd. Als forecast_destination niet wordt gegeven, wordt deze als laatste keer in X_pred voor elk graan toegerekend. Default value: None
ignore_data_errors	bool Fouten in gebruikersgegevens negeren. Default value: False

predict

Verzend een taak om voorspellingen uit te voeren voor het model voor de opgegeven waarden.

predict(values: Any) -> AbstractDataset

Parameters

Name	Description
values Vereist	AbstractDataset of DataFrame of ndarray Invoertestgegevens om voorspellingen uit te voeren.

Retouren

Type	Description
	De voorspelde waarden.

predict_proba

Dien een taak in om predict_proba uit te voeren op het model voor de opgegeven waarden.

predict_proba(values: Any) -> AbstractDataset

Parameters

Name	Description
values Vereist	AbstractDataset of DataFrame of ndarray Invoertestgegevens om voorspellingen uit te voeren.

Retouren

Type	Description
	De voorspelde waarden.

test

Haal voorspellingen op uit de test_data relevante metrische gegevens en bereken relevante metrische gegevens.

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

Parameters

Name	Description
test_data Vereist	De testgegevensset.
include_predictions_only	Of u de voorspellingen al dan niet alleen wilt opnemen als onderdeel van de predictions.csv-uitvoer. Als deze parameter is True , zien de CSV-uitvoerkolommen er als volgt uit (prognoses zijn hetzelfde als regressie): Classification => [predicted values], [probabilities] Regression => [predicted values] else (standaard): Classification => [original test data labels], [predicted values], [probabilities], [features] Regression => [original test data labels], [predicted values], [features] De [original test data labels] kolomnaam = [label column name] + "_orig". De [predicted values] kolomnaam = [label column name] + "_predicted". De [probabilities] kolomnamen = [class name] + "_predicted_proba". De [features] kolomnamen = [feature column name] + "_orig". Als de test_data doelkolom geen doelkolom bevat, [original test data labels] bevindt deze zich niet in het uitvoerdataframe. Default value: False

Retouren

Type	Description
	Een tuple met de voorspelde waarden en de metrische gegevens.