Schedules - Create Or Update
Planning maken of bijwerken.
PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/schedules/{name}?api-version=2025-06-01
URI-parameters
Name | In | Vereist | Type | Description |
---|---|---|---|---|
name
|
path | True |
string pattern: ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ |
Planningsnaam. |
resource
|
path | True |
string minLength: 1maxLength: 90 |
De naam van de resourcegroep. De naam is hoofdletterongevoelig. |
subscription
|
path | True |
string minLength: 1 |
De id van het doelabonnement. |
workspace
|
path | True |
string pattern: ^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$ |
Naam van Azure Machine Learning-werkruimte. |
api-version
|
query | True |
string minLength: 1 |
De API-versie die voor deze bewerking moet worden gebruikt. |
Aanvraagbody
Name | Vereist | Type | Description |
---|---|---|---|
properties | True |
[Vereist] Aanvullende kenmerken van de entiteit. |
Antwoorden
Name | Type | Description |
---|---|---|
200 OK |
Het maken of bijwerken van de aanvraag is voltooid. |
|
201 Created |
Gecreëerd Kopteksten
|
|
Other Status Codes |
Fout |
Voorbeelden
CreateOrUpdate Schedule.
Voorbeeldaanvraag
PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/schedules/string?api-version=2025-06-01
{
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"isEnabled": false,
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "Cron",
"expression": "string"
},
"action": {
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {
"9965593e-526f-4b89-bb36-761138cf2794": null
}
}
}
}
Voorbeeldrespons
{
"id": "string",
"name": "string",
"type": "string",
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"isEnabled": false,
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "Cron",
"expression": "string"
},
"action": {
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {
"d77a9a9a-4bb5-4c0c-8a77-459be8b82b9f": null
}
},
"provisioningState": "Succeeded"
},
"systemData": {
"createdAt": "2020-01-01T12:34:56.999Z",
"createdBy": "string",
"createdByType": "Key",
"lastModifiedAt": "2020-01-01T12:34:56.999Z",
"lastModifiedBy": "string",
"lastModifiedByType": "Application"
}
}
{
"id": "string",
"name": "string",
"type": "string",
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"isEnabled": false,
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "Cron",
"expression": "string"
},
"action": {
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {
"13ea51e0-ff28-49c3-a85d-9b5199eb14e5": null
}
},
"provisioningState": "Failed"
},
"systemData": {
"createdAt": "2020-01-01T12:34:56.999Z",
"createdBy": "string",
"createdByType": "Key",
"lastModifiedAt": "2020-01-01T12:34:56.999Z",
"lastModifiedBy": "string",
"lastModifiedByType": "User"
}
}
Definities
Name | Description |
---|---|
All |
|
All |
Alle knooppunten betekent dat de service wordt uitgevoerd op alle knooppunten van de taak |
Aml |
Configuratie van AML-tokenidentiteit. |
Aml |
Definitie van AML-token-rekenidentiteit. |
Auto |
Voorspellingshorizon die automatisch wordt bepaald door het systeem. |
Auto |
AutoMLJob-klasse. Gebruik deze klasse voor het uitvoeren van AutoML-taken, zoals classificatie/regressie, enzovoort. Zie TaskType enum voor alle ondersteunde taken. |
Auto |
N-Kruisvalidaties worden automatisch bepaald. |
Auto |
|
Auto |
|
Auto |
Het doorlopende tijdvenster van het doel wordt automatisch bepaald. |
Azure |
Webhookdetails specifiek voor Azure DevOps |
Bandit |
Definieert een beleid voor vroegtijdige beëindiging op basis van slack-criteria en een frequentie- en vertragingsinterval voor evaluatie |
Bayesian |
Definieert een sampling-algoritme waarmee waarden worden gegenereerd op basis van eerdere waarden |
Blocked |
Opsomming voor alle classificatiemodellen die worden ondersteund door AutoML. |
Categorical |
|
Categorical |
|
Categorical |
|
Categorical |
|
Categorical |
|
Categorical |
|
Classification |
Classificatietaak in autoML-tabel verticaal. |
Classification |
Opsomming voor alle classificatiemodellen die worden ondersteund door AutoML. |
Classification |
Primaire metrische gegevens voor het classificeren van taken met meerdere labels. |
Classification |
Primaire metrische gegevens voor classificatietaken. |
Classification |
Configuratie met betrekking tot classificatietraining. |
Command |
Opdrachttaakdefinitie. |
Command |
Opdrachttaaklimietklasse. |
created |
Het type identiteit waarmee de resource is gemaakt. |
Create |
|
Cron |
|
Custom |
De gewenste maximale prognose horizon in eenheden van tijdreeksfrequentie. |
Custom |
|
Custom |
|
Custom |
|
Custom |
|
Custom |
N-Kruisvalidaties worden opgegeven door de gebruiker. |
Custom |
|
Custom |
|
Custom |
|
Data |
|
Data |
|
Distribution |
Enum om het taakdistributietype te bepalen. |
Early |
|
Email |
Opsomming om het type e-mailmelding te bepalen. |
Endpoint |
|
Error |
Aanvullende informatie over de resourcebeheerfout. |
Error |
De foutdetails. |
Error |
Foutreactie |
Feature |
|
Feature |
|
Feature |
|
Feature |
De bewerkingsmodus voor het belang van computingfuncties. |
Feature |
|
Feature |
Vlag voor het genereren van vertragingen voor de numerieke functies. |
Feature |
|
Featurization |
Featurization-modus: bepaalt de gegevens-featurization-modus. |
Fixed |
Definitie van invoergegevens opgelost. |
Forecast |
Opsomming om de selectiemodus voor de prognose horizon te bepalen. |
Forecasting |
Prognosetaak in autoML-tabel verticaal. |
Forecasting |
Opsomming voor alle prognosemodellen die worden ondersteund door AutoML. |
Forecasting |
Primaire metrische gegevens voor de prognosetaak. |
Forecasting |
Specifieke parameters voorspellen. |
Forecasting |
Configuratie met betrekking tot training voorspellen. |
Goal |
Definieert ondersteunde metrische doelen voor het afstemmen van hyperparameters |
Grid |
Definieert een sampling-algoritme dat alle waardecombinaties in de ruimte volledig genereert |
Identity |
Enum om het identiteitsframework te bepalen. |
Image |
Afbeeldingsclassificatie. Afbeeldingsclassificatie met meerdere klassen wordt gebruikt wanneer een afbeelding wordt geclassificeerd met slechts één label uit een reeks klassen, bijvoorbeeld elke afbeelding wordt geclassificeerd als een afbeelding van een 'kat' of 'hond' of een 'eend'. |
Image |
Afbeeldingsclassificatie met meerdere labels. Afbeeldingsclassificatie met meerdere labels wordt gebruikt wanneer een afbeelding een of meer labels van een set labels kan hebben. Een afbeelding kan bijvoorbeeld worden gelabeld met zowel 'kat' als 'hond'. |
Image |
Segmentatie van afbeeldingsexemplaren. Instantiesegmentatie wordt gebruikt om objecten in een afbeelding op pixelniveau te identificeren, waarbij een veelhoek rond elk object in de afbeelding wordt getekend. |
Image |
Instellingen voor de AutoML-taak beperken. |
Image |
Distributie-expressies om waarden van modelinstellingen te overschrijven. Enkele voorbeelden zijn:
|
Image |
Distributie-expressies om waarden van modelinstellingen te overschrijven. Enkele voorbeelden zijn:
|
Image |
Instellingen die worden gebruikt voor het trainen van het model. Ga voor meer informatie over de beschikbare instellingen naar de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
Image |
Instellingen die worden gebruikt voor het trainen van het model. Ga voor meer informatie over de beschikbare instellingen naar de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
Image |
Detectie van afbeeldingsobjecten. Objectdetectie wordt gebruikt om objecten in een afbeelding te identificeren en elk object te zoeken met een begrenzingsvak, bijvoorbeeld om alle honden en katten in een afbeelding te zoeken en een begrenzingsvak rond elk object te tekenen. |
Image |
Model opruimen en hyperparameter opruimen gerelateerde instellingen. |
Input |
Enum om de leveringsmodus voor invoergegevens te bepalen. |
Instance |
Primaire metrische gegevens voor InstanceSegmentation-taken. |
Job |
Enum om het taakinvoertype te bepalen. |
Job |
|
Job |
Enum om het taakuitvoertype te bepalen. |
Job |
|
Job |
|
Job |
Taakeindpuntdefinitie |
Job |
De status van een taak. |
Job |
Enum om het taakniveau te bepalen. |
Job |
Enum om het type taak te bepalen. |
Learning |
Inventarisatie van leersnelheidsplanner. |
Literal |
Letterlijk invoertype. |
Log |
Opsomming voor het instellen van de uitgebreidheid van logboeken. |
Managed |
Definitie van beheerde compute-identiteit. |
Managed |
Configuratie van beheerde identiteit. |
Managed |
Beheerde service-identiteit (door het systeem toegewezen en/of door de gebruiker toegewezen identiteiten) |
Managed |
Type beheerde service-identiteit (waarbij zowel SystemAssigned- als UserAssigned-typen zijn toegestaan). |
Median |
Definieert een beleid voor vroegtijdige beëindiging op basis van de lopende gemiddelden van de primaire metrische gegevens van alle uitvoeringen |
MLFlow |
|
MLFlow |
|
MLTable |
|
MLTable |
|
Model |
Grootte van afbeeldingsmodel. |
Model |
Modeltaaktype enum. |
Monitor |
Bewaak het type rekenidentiteit. |
Monitor |
Bewaak het rekentype enum. |
Monitor |
|
Monitor |
|
Monitoring |
|
Monitoring |
|
Monitoring |
Opsomming van invoergegevenstype bewaken. |
Monitoring |
|
Monitoring |
|
Monitoring |
Doeldefinitie bewaken. |
Monitoring |
|
Monitor |
|
Monitor |
Serverloze Spark-berekeningsdefinitie bewaken. |
Mpi |
MPI-distributieconfiguratie. |
NCross |
Bepaalt hoe de waarde van N-Kruisvalidaties wordt bepaald. |
Nlp |
|
Nlp |
Beperkingen voor taakuitvoering. |
Nodes |
De opgesomde typen voor de waarde van de knooppunten |
Notification |
Configuratie voor melding. |
Numerical |
|
Numerical |
|
Numerical |
|
Numerical |
|
Numerical |
|
Numerical |
|
Object |
Primaire metrische gegevens voor de taak Image ObjectDetection. |
Objective |
Optimalisatiedoelstelling. |
Output |
Opsommingen van uitvoergegevensleveringsmodus. |
Pipeline |
Definitie van pijplijntaak: definieert algemene MFE-kenmerken. |
Prediction |
|
Py |
PyTorch-distributieconfiguratie. |
Queue |
|
Random |
Definieert een sampling-algoritme waarmee willekeurig waarden worden gegenereerd |
Random |
Het specifieke type willekeurig algoritme |
Recurrence |
Opsomming om de frequentie van een terugkeerschema te beschrijven |
Recurrence |
|
Recurrence |
|
Regression |
Regressietaak in autoML-tabel verticaal. |
Regression |
Opsomming voor alle Regressiemodellen die worden ondersteund door AutoML. |
Regression |
Primaire metrische gegevens voor regressietaak. |
Regression |
Configuratie met betrekking tot regressietraining. |
Rolling |
Definitie van rolling invoergegevens. |
Sampling |
|
Schedule |
Basisdefinitie van een schema |
Schedule |
|
Schedule |
|
Schedule |
Resource-envelop van Azure Resource Manager. |
Seasonality |
Seizoensgebondenheidsmodus voorspellen. |
Short |
De parameter die definieert hoe autoML korte tijdreeksen moet verwerken. |
Spark |
Spark-taakdefinitie. |
Spark |
|
Spark |
|
Spark |
|
Spark |
|
Stack |
Geavanceerde instelling voor het aanpassen van StackEnsemble-uitvoering. |
Stack |
De meta-learner is een model dat is getraind op de uitvoer van de afzonderlijke heterogene modellen. Standaardmetaleerders zijn LogisticRegression voor classificatietaken (of LogisticRegressionCV als kruisvalidatie is ingeschakeld) en ElasticNet voor regressie-/prognosetaken (of ElasticNetCV als kruisvalidatie is ingeschakeld). Deze parameter kan een van de volgende tekenreeksen zijn: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor of LinearRegression |
Static |
Definitie van statische invoergegevens. |
Stochastic |
Stochastic Optimizer voor afbeeldingsmodellen. |
Sweep |
Taakdefinitie opruimen. |
Sweep |
Sweep Taaklimietklasse. |
system |
Metagegevens met betrekking tot het maken en de laatste wijziging van de resource. |
Table |
Featurisatie configuratie. |
Table |
Beperkingen voor taakuitvoering. |
Target |
Statistische doelfunctie. |
Target |
Doelvertragingsselectiemodi. |
Target |
Doelmodus voor rollende vensters. |
Task |
Type AutoMLJob-taak. |
Tensor |
TensorFlow-distributieconfiguratie. |
Text |
Tekstclassificatietaak in AutoML NLP verticaal. NLP - Natuurlijke taalverwerking. |
Text |
Taak voor tekstclassificatie met meerdere labels in AutoML NLP verticaal. NLP - Natuurlijke taalverwerking. |
Text |
Text-NER taak in AutoML NLP verticaal. NER: Herkenning van benoemde entiteiten. NLP - Natuurlijke taalverwerking. |
Top |
|
Trial |
Definitie van proefonderdeel. |
Trigger |
|
Triton |
|
Triton |
|
Truncation |
Definieert een beleid voor vroegtijdige beëindiging dat een bepaald percentage uitvoeringen annuleert bij elk evaluatie-interval. |
Uri |
|
Uri |
|
Uri |
|
Uri |
|
User |
Door de gebruiker toegewezen identiteitseigenschappen |
User |
Configuratie van gebruikersidentiteit. |
Use |
Configureer STL-decompositie van de doelkolom van de tijdreeks. |
Validation |
Metrische berekeningsmethode voor validatiegegevens in afbeeldingstaken. |
Webhook |
Enum om het servicetype webhook callback te bepalen. |
Week |
Opsomming van weekdag |
AllFeatures
Name | Type | Description |
---|---|---|
filterType | string: |
[Vereist] Hiermee geeft u het functiefilter op dat moet worden gebruikt bij het selecteren van functies om metrische gegevens te berekenen. |
AllNodes
Alle knooppunten betekent dat de service wordt uitgevoerd op alle knooppunten van de taak
Name | Type | Description |
---|---|---|
nodesValueType |
string:
All |
[Vereist] Type van de waarde Knooppunten |
AmlToken
Configuratie van AML-tokenidentiteit.
Name | Type | Description |
---|---|---|
identityType |
string:
AMLToken |
[Vereist] Hiermee geeft u het type identiteitsframework op. |
AmlTokenComputeIdentity
Definitie van AML-token-rekenidentiteit.
Name | Type | Description |
---|---|---|
computeIdentityType | string: |
[Vereist] Hiermee geeft u het type identiteit op dat moet worden gebruikt binnen de bewakingstaken. |
AutoForecastHorizon
Voorspellingshorizon die automatisch wordt bepaald door het systeem.
Name | Type | Description |
---|---|---|
mode |
string:
Auto |
[Vereist] Stel de selectiemodus voor de waarde van de prognose horizon in. |
AutoMLJob
AutoMLJob-klasse. Gebruik deze klasse voor het uitvoeren van AutoML-taken, zoals classificatie/regressie, enzovoort. Zie TaskType enum voor alle ondersteunde taken.
Name | Type | Default value | Description |
---|---|---|---|
componentId |
string |
ARM-resource-id van de onderdeelresource. |
|
computeId |
string |
ARM-resource-id van de rekenresource. |
|
description |
string |
De tekst van de assetbeschrijving. |
|
displayName |
string |
Weergavenaam van taak. |
|
environmentId |
string |
De ARM-resource-id van de omgevingsspecificatie voor de taak. Dit is een optionele waarde die moet worden opgegeven, indien niet opgegeven, wordt deze standaard ingesteld op de door AutoML samengestelde omgevingsversie van Productie bij het uitvoeren van de taak. |
|
environmentVariables |
object |
Omgevingsvariabelen die zijn opgenomen in de taak. |
|
experimentName |
string |
Default |
De naam van het experiment waartoe de taak behoort. Als deze niet is ingesteld, wordt de taak in het standaardexperiment geplaatst. |
identity | IdentityConfiguration: |
Identiteitsconfiguratie. Indien ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. Standaard ingesteld op AmlToken als null. |
|
isArchived |
boolean |
False |
Is de asset gearchiveerd? |
jobType |
string:
AutoML |
[Vereist] Hiermee geeft u het type taak. |
|
notificationSetting |
Meldingsinstelling voor de taak |
||
outputs |
object |
Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt. |
|
properties |
object |
De woordenlijst voor asseteigenschappen. |
|
queueSettings |
Wachtrijinstellingen voor de taak |
||
resources | {} |
Rekenresourceconfiguratie voor de taak. |
|
services |
<string,
Job |
Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt een eindpuntwaarde van FileStreamObject. |
|
status |
Status van de taak. |
||
tags |
object |
Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt. |
|
taskDetails | AutoMLVertical: |
[Vereist] Dit vertegenwoordigt een scenario dat een van tabellen/NLP/Image kan zijn |
AutoNCrossValidations
N-Kruisvalidaties worden automatisch bepaald.
Name | Type | Description |
---|---|---|
mode |
string:
Auto |
[Vereist] Modus voor het bepalen van N-Kruisvalidaties. |
AutoSeasonality
Name | Type | Description |
---|---|---|
mode |
string:
Auto |
[Vereist] Seizoensgebondenheidsmodus. |
AutoTargetLags
Name | Type | Description |
---|---|---|
mode |
string:
Auto |
[Vereist] Doelvertragingsmodus instellen - Automatisch/aangepast |
AutoTargetRollingWindowSize
Het doorlopende tijdvenster van het doel wordt automatisch bepaald.
Name | Type | Description |
---|---|---|
mode |
string:
Auto |
[Vereist] TargetRollingWindowSiz-detectiemodus. |
AzureDevOpsWebhook
Webhookdetails specifiek voor Azure DevOps
Name | Type | Description |
---|---|---|
eventType |
string |
Callback verzenden voor een opgegeven meldings gebeurtenis |
webhookType |
string:
Azure |
[Vereist] Hiermee geeft u het type service voor het verzenden van een callback |
BanditPolicy
Definieert een beleid voor vroegtijdige beëindiging op basis van slack-criteria en een frequentie- en vertragingsinterval voor evaluatie
Name | Type | Default value | Description |
---|---|---|---|
delayEvaluation |
integer (int32) |
0 |
Aantal intervallen waarmee de eerste evaluatie moet worden vertraagd. |
evaluationInterval |
integer (int32) |
0 |
Interval (aantal uitvoeringen) tussen beleidsevaluaties. |
policyType |
string:
Bandit |
[Vereist] Naam van beleidsconfiguratie |
|
slackAmount |
number (float) |
0 |
Absolute afstand die is toegestaan vanaf de best presterende uitvoering. |
slackFactor |
number (float) |
0 |
Verhouding van de toegestane afstand van de best presterende uitvoering. |
BayesianSamplingAlgorithm
Definieert een sampling-algoritme waarmee waarden worden gegenereerd op basis van eerdere waarden
Name | Type | Description |
---|---|---|
samplingAlgorithmType |
string:
Bayesian |
[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen |
BlockedTransformers
Opsomming voor alle classificatiemodellen die worden ondersteund door AutoML.
Waarde | Description |
---|---|
CatTargetEncoder |
Doelcodering voor categorische gegevens. |
CountVectorizer |
Count Vectorizer converteert een verzameling tekstdocumenten naar een matrix met tokenaantallen. |
HashOneHotEncoder |
Hashing One Hot Encoder kan categorische variabelen omzetten in een beperkt aantal nieuwe functies. Dit wordt vaak gebruikt voor categorische kenmerken met een hoge kardinaliteit. |
LabelEncoder |
Labelcodering converteert labels/categorische variabelen in een numerieke vorm. |
NaiveBayes |
Naive Bayes is een geclassificeerde classificatie die wordt gebruikt voor het classificeren van discrete functies die categorisch worden gedistribueerd. |
OneHotEncoder |
Ohe hot codering maakt een binaire functietransformatie. |
TextTargetEncoder |
Doelcodering voor tekstgegevens. |
TfIdf |
Tf-Idf staat voor de inverse tijdsfrequentie van het document. Dit is een algemene term wegingsschema voor het identificeren van informatie uit documenten. |
WoETargetEncoder |
Het gewicht van evidence-codering is een techniek die wordt gebruikt om categorische variabelen te coderen. Het maakt gebruik van het natuurlijke logboek van de P(1)/P(0) om gewichten te creëren. |
WordEmbedding |
Word-insluiting helpt woorden of woordgroepen weer te geven als een vector of een reeks getallen. |
CategoricalDataDriftMetric
Waarde | Description |
---|---|
JensenShannonDistance |
De metrische gegevens van Jensen Shannon Distance (JSD). |
PearsonsChiSquaredTest |
De metric Pearsons Chi Squared Test. |
PopulationStabilityIndex |
De psi-meetwaarde (Population Stability Index). |
CategoricalDataDriftMetricThreshold
Name | Type | Description |
---|---|---|
dataType |
string:
Categorical |
[Vereist] Hiermee geeft u het gegevenstype van de metrische drempelwaarde op. |
metric |
[Vereist] De categorische gegevensdriftwaarde die moet worden berekend. |
|
threshold |
De drempelwaarde. Als null is, wordt een standaardwaarde ingesteld, afhankelijk van de geselecteerde metrische waarde. |
CategoricalDataQualityMetric
Waarde | Description |
---|---|
DataTypeErrorRate |
Berekent de snelheid van fouten van het gegevenstype. |
NullValueRate |
Berekent de snelheid van null-waarden. |
OutOfBoundsRate |
Berekent de snelheidswaarden buiten de grenzen. |
CategoricalDataQualityMetricThreshold
Name | Type | Description |
---|---|---|
dataType |
string:
Categorical |
[Vereist] Hiermee geeft u het gegevenstype van de metrische drempelwaarde op. |
metric |
[Vereist] De meetwaarde voor categorische gegevenskwaliteit die moet worden berekend. |
|
threshold |
De drempelwaarde. Als null is, wordt een standaardwaarde ingesteld, afhankelijk van de geselecteerde metrische waarde. |
CategoricalPredictionDriftMetric
Waarde | Description |
---|---|
JensenShannonDistance |
De metrische gegevens van Jensen Shannon Distance (JSD). |
PearsonsChiSquaredTest |
De metric Pearsons Chi Squared Test. |
PopulationStabilityIndex |
De psi-meetwaarde (Population Stability Index). |
CategoricalPredictionDriftMetricThreshold
Name | Type | Description |
---|---|---|
dataType |
string:
Categorical |
[Vereist] Hiermee geeft u het gegevenstype van de metrische drempelwaarde op. |
metric |
[Vereist] De categorische voorspellingsdriftwaarde die moet worden berekend. |
|
threshold |
De drempelwaarde. Als null is, wordt een standaardwaarde ingesteld, afhankelijk van de geselecteerde metrische waarde. |
Classification
Classificatietaak in autoML-tabel verticaal.
Name | Type | Default value | Description |
---|---|---|---|
cvSplitColumnNames |
string[] |
Kolommen die moeten worden gebruikt voor CVSplit-gegevens. |
|
featurizationSettings |
Featurization-invoer die nodig is voor de AutoML-taak. |
||
limitSettings |
Uitvoeringsbeperkingen voor AutoMLJob. |
||
logVerbosity | Info |
Logboek uitgebreidheid voor de taak. |
|
nCrossValidations | NCrossValidations: |
Het aantal kruisvalidatievouwen dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset wordt opgegeven. |
|
positiveLabel |
string |
Positief label voor berekening van binaire metrische gegevens. |
|
primaryMetric | AUCWeighted |
Primaire metrische gegevens voor de taak. |
|
targetColumnName |
string |
Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
|
taskType | string: |
[Vereist] Taaktype voor AutoMLJob. |
|
testData |
Gegevensinvoer testen. |
||
testDataSize |
number (double) |
Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0.0, 1.0) Toegepast wanneer er geen validatiegegevensset wordt opgegeven. |
|
trainingData |
[Vereist] Invoer van trainingsgegevens. |
||
trainingSettings |
Invoer voor de trainingsfase voor een AutoML-taak. |
||
validationData |
Invoer van validatiegegevens. |
||
validationDataSize |
number (double) |
Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0.0, 1.0) Toegepast wanneer er geen validatiegegevensset wordt opgegeven. |
|
weightColumnName |
string |
De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen. |
ClassificationModels
Opsomming voor alle classificatiemodellen die worden ondersteund door AutoML.
Waarde | Description |
---|---|
BernoulliNaiveBayes |
Naive Bayes-classificatie voor multivariate Bernoulli-modellen. |
DecisionTree |
Beslissingsstructuren zijn een niet-parametrische leermethode die wordt gebruikt voor zowel classificatie- als regressietaken. Het doel is om een model te maken dat de waarde van een doelvariabele voorspelt door eenvoudige beslissingsregels te leren die zijn afgeleid van de gegevensfuncties. |
ExtremeRandomTrees |
Extreme Trees is een ensemble machine learning-algoritme dat de voorspellingen van veel beslissingsstructuren combineert. Het is gerelateerd aan het veelgebruikte willekeurige forestalgoritme. |
GradientBoosting |
De techniek van het doorvoeren van weekleerders naar een sterke cursist wordt Boost genoemd. Het proces voor het verhogen van de kleurovergang werkt aan deze uitvoeringstheorie. |
KNN |
K-dichtstbijzijnde buren (KNN)-algoritme maakt gebruik van 'functie-gelijkenis' om de waarden van nieuwe gegevenspunten te voorspellen. Dit betekent verder dat aan het nieuwe gegevenspunt een waarde wordt toegewezen op basis van de mate waarin het overeenkomt met de punten in de trainingsset. |
LightGBM |
LightGBM is een framework voor het stimuleren van kleurovergangen dat gebruikmaakt van op structuur gebaseerde leeralgoritmen. |
LinearSVM |
Een SUPPORT Vector Machine (SVM) is een machine learning-model onder supervisie dat classificatiealgoritmen gebruikt voor classificatieproblemen met twee groepen. Nadat een SVM-modelsets met gelabelde trainingsgegevens voor elke categorie zijn opgegeven, kunnen ze nieuwe tekst categoriseren. Lineaire SVM presteert het beste wanneer invoergegevens lineair zijn, d.w. gegevens kunnen eenvoudig worden geclassificeerd door de rechte lijn tussen geclassificeerde waarden in een getekende grafiek te tekenen. |
LogisticRegression |
Logistieke regressie is een fundamentele classificatietechniek. Het behoort tot de groep lineaire classificaties en is enigszins vergelijkbaar met polynomiale en lineaire regressie. Logistieke regressie is snel en relatief ongecompliceerd en het is handig voor u om de resultaten te interpreteren. Hoewel het in wezen een methode voor binaire classificatie is, kan het ook worden toegepast op problemen met meerdere klassen. |
MultinomialNaiveBayes |
De multinomiale Naive Bayes-classificatie is geschikt voor classificatie met discrete functies (bijvoorbeeld woorden tellen voor tekstclassificatie). Voor de multinomiale verdeling zijn normaal gesproken gehele getallen vereist. In de praktijk kunnen fractionele aantallen zoals tf-idf echter ook werken. |
RandomForest |
Random forest is een leeralgoritmen onder supervisie. Het "bos" dat het bouwt, is een ensemble van beslissingsbomen, meestal getraind met de "bagging"-methode. Het algemene idee van de baggingmethode is dat een combinatie van leermodellen het algehele resultaat verhoogt. |
SGD |
SGD: Stochastische gradiëntafname is een optimalisatie-algoritme dat vaak wordt gebruikt in machine learning-toepassingen om de modelparameters te vinden die overeenkomen met de beste pasvorm tussen voorspelde en werkelijke uitvoer. |
SVM |
Een SUPPORT Vector Machine (SVM) is een machine learning-model onder supervisie dat classificatiealgoritmen gebruikt voor classificatieproblemen met twee groepen. Nadat een SVM-modelsets met gelabelde trainingsgegevens voor elke categorie zijn opgegeven, kunnen ze nieuwe tekst categoriseren. |
XGBoostClassifier |
XGBoost: Algoritme voor extreme gradiëntverhoging. Dit algoritme wordt gebruikt voor gestructureerde gegevens, waarbij doelkolomwaarden kunnen worden onderverdeeld in afzonderlijke klassewaarden. |
ClassificationMultilabelPrimaryMetrics
Primaire metrische gegevens voor het classificeren van taken met meerdere labels.
Waarde | Description |
---|---|
AUCWeighted |
AUC is het gebied onder de curve. Deze metrische waarde vertegenwoordigt het rekenkundige gemiddelde van de score voor elke klasse, gewogen door het aantal werkelijke exemplaren in elke klasse. |
Accuracy |
Nauwkeurigheid is de verhouding tussen voorspellingen die exact overeenkomen met de werkelijke klasselabels. |
AveragePrecisionScoreWeighted |
Het rekenkundige gemiddelde van de gemiddelde precisiescore voor elke klasse, gewogen door het aantal werkelijke exemplaren in elke klasse. |
IOU |
Snijpunt over union. Snijpunt van voorspellingen gedeeld door samenvoeging van voorspellingen. |
NormMacroRecall |
Genormaliseerde macroherhaling is terughalen van macrogemiddelde en genormaliseerd, zodat willekeurige prestaties een score van 0 hebben en de perfecte prestaties een score van 1 hebben. |
PrecisionScoreWeighted |
Het rekenkundige gemiddelde van precisie voor elke klasse, gewogen met het aantal werkelijke exemplaren in elke klasse. |
ClassificationPrimaryMetrics
Primaire metrische gegevens voor classificatietaken.
Waarde | Description |
---|---|
AUCWeighted |
AUC is het gebied onder de curve. Deze metrische waarde vertegenwoordigt het rekenkundige gemiddelde van de score voor elke klasse, gewogen door het aantal werkelijke exemplaren in elke klasse. |
Accuracy |
Nauwkeurigheid is de verhouding tussen voorspellingen die exact overeenkomen met de werkelijke klasselabels. |
AveragePrecisionScoreWeighted |
Het rekenkundige gemiddelde van de gemiddelde precisiescore voor elke klasse, gewogen door het aantal werkelijke exemplaren in elke klasse. |
NormMacroRecall |
Genormaliseerde macroherhaling is terughalen van macrogemiddelde en genormaliseerd, zodat willekeurige prestaties een score van 0 hebben en de perfecte prestaties een score van 1 hebben. |
PrecisionScoreWeighted |
Het rekenkundige gemiddelde van precisie voor elke klasse, gewogen met het aantal werkelijke exemplaren in elke klasse. |
ClassificationTrainingSettings
Configuratie met betrekking tot classificatietraining.
Name | Type | Default value | Description |
---|---|---|---|
allowedTrainingAlgorithms |
Toegestane modellen voor classificatietaak. |
||
blockedTrainingAlgorithms |
Geblokkeerde modellen voor classificatietaak. |
||
enableDnnTraining |
boolean |
False |
Schakel de aanbeveling van DNN-modellen in. |
enableModelExplainability |
boolean |
True |
Vlag om uitleg in te schakelen voor het beste model. |
enableOnnxCompatibleModels |
boolean |
False |
Vlag voor het inschakelen van compatibele onnx-modellen. |
enableStackEnsemble |
boolean |
True |
Schakel stack ensemble run in. |
enableVoteEnsemble |
boolean |
True |
Stem ensembleuitvoering inschakelen. |
ensembleModelDownloadTimeout |
string (duration) |
PT5M |
Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is. |
stackEnsembleSettings |
Stack ensemble-instellingen voor stack ensemble run. |
CommandJob
Opdrachttaakdefinitie.
Name | Type | Default value | Description |
---|---|---|---|
codeId |
string |
ARM-resource-id van de codeasset. |
|
command |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "Python train.py" |
|
componentId |
string |
ARM-resource-id van de onderdeelresource. |
|
computeId |
string |
ARM-resource-id van de rekenresource. |
|
description |
string |
De tekst van de assetbeschrijving. |
|
displayName |
string |
Weergavenaam van taak. |
|
distribution | DistributionConfiguration: |
Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn. |
|
environmentId |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak. |
|
environmentVariables |
object |
Omgevingsvariabelen die zijn opgenomen in de taak. |
|
experimentName |
string |
Default |
De naam van het experiment waartoe de taak behoort. Als deze niet is ingesteld, wordt de taak in het standaardexperiment geplaatst. |
identity | IdentityConfiguration: |
Identiteitsconfiguratie. Indien ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. Standaard ingesteld op AmlToken als null. |
|
inputs |
object |
Toewijzing van invoergegevensbindingen die in de taak worden gebruikt. |
|
isArchived |
boolean |
False |
Is de asset gearchiveerd? |
jobType |
string:
Command |
[Vereist] Hiermee geeft u het type taak. |
|
limits |
Opdrachttaaklimiet. |
||
notificationSetting |
Meldingsinstelling voor de taak |
||
outputs |
object |
Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt. |
|
parameters |
object |
Invoerparameters. |
|
properties |
object |
De woordenlijst voor asseteigenschappen. |
|
queueSettings |
Wachtrijinstellingen voor de taak |
||
resources | {} |
Rekenresourceconfiguratie voor de taak. |
|
services |
<string,
Job |
Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt een eindpuntwaarde van FileStreamObject. |
|
status |
Status van de taak. |
||
tags |
object |
Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt. |
CommandJobLimits
Opdrachttaaklimietklasse.
Name | Type | Description |
---|---|---|
jobLimitsType |
string:
Command |
[Vereist] Type JobLimit. |
timeout |
string (duration) |
De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Ondersteunt alleen de duur met precisie zo laag als seconden. |
createdByType
Het type identiteit waarmee de resource is gemaakt.
Waarde | Description |
---|---|
Application | |
Key | |
ManagedIdentity | |
User |
CreateMonitorAction
Name | Type | Description |
---|---|---|
actionType |
string:
Create |
[Vereist] Hiermee geeft u het actietype van de planning |
monitorDefinition |
[Vereist] Definieert de monitor. |
CronTrigger
Name | Type | Default value | Description |
---|---|---|---|
endTime |
string |
Hiermee geeft u de eindtijd van de planning in ISO 8601, maar zonder utc-offset. Raadpleeg https://en.wikipedia.org/wiki/ISO_8601. De indeling '2022-06-01T00:00:01' Als deze niet aanwezig is, wordt het schema voor onbepaalde tijd uitgevoerd |
|
expression |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Hiermee geeft u cron-expressie van planning. De expressie moet de NCronTab-indeling volgen. |
|
startTime |
string |
Hiermee geeft u de begintijd van de planning in ISO 8601-indeling, maar zonder utc-offset. |
|
timeZone |
string |
UTC |
Hiermee geeft u de tijdzone op waarin het schema wordt uitgevoerd. Tijdzone moet de windows-tijdzone-indeling volgen. Doorverwijzen: https://docs.microsoft.com/en-us/windows-hardware/manufacture/desktop/default-time-zones?view=windows-11 |
triggerType |
string:
Cron |
[Vereist] |
CustomForecastHorizon
De gewenste maximale prognose horizon in eenheden van tijdreeksfrequentie.
Name | Type | Description |
---|---|---|
mode |
string:
Custom |
[Vereist] Stel de selectiemodus voor de waarde van de prognose horizon in. |
value |
integer (int32) |
[Vereist] Waarde van de prognose horizon. |
CustomMetricThreshold
Name | Type | Description |
---|---|---|
metric |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] De door de gebruiker gedefinieerde metriek die moet worden berekend. |
threshold |
De drempelwaarde. Als null is, wordt een standaardwaarde ingesteld, afhankelijk van de geselecteerde metrische waarde. |
CustomModelJobInput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de invoer. |
|
jobInputType |
string:
custom_model |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadOnlyMount |
Leveringsmodus invoerasset. |
|
uri |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Invoerasset-URI. |
CustomModelJobOutput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de uitvoer. |
|
jobOutputType |
string:
custom_model |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadWriteMount |
Uitvoerassetleveringsmodus. |
|
uri |
string |
Uitvoerasset-URI. |
CustomMonitoringSignal
Name | Type | Description |
---|---|---|
componentId |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Verwijzing naar het onderdeelasset dat wordt gebruikt om de aangepaste metrische gegevens te berekenen. |
inputAssets |
object |
Assets bewaken die moeten worden gebruikt als invoer. Sleutel is de naam van de invoerpoort van het onderdeel, de waarde is de gegevensasset. |
inputs |
object |
Extra onderdeelparameters die als invoer moeten worden gebruikt. Sleutel is de naam van de letterlijke invoerpoort van het onderdeel, de waarde is de parameterwaarde. |
metricThresholds |
[Vereist] Een lijst met metrische gegevens die moeten worden berekend en de bijbehorende drempelwaarden. |
|
notificationTypes |
De huidige meldingsmodus voor dit signaal. |
|
properties |
object |
Eigenschappenwoordenlijst. Eigenschappen kunnen worden toegevoegd, maar niet worden verwijderd of gewijzigd. |
signalType |
string:
Custom |
[Vereist] Hiermee geeft u het type signaal dat moet worden bewaakt. |
CustomNCrossValidations
N-Kruisvalidaties worden opgegeven door de gebruiker.
Name | Type | Description |
---|---|---|
mode |
string:
Custom |
[Vereist] Modus voor het bepalen van N-Kruisvalidaties. |
value |
integer (int32) |
[Vereist] Waarde voor N-kruisvalidaties. |
CustomSeasonality
Name | Type | Description |
---|---|---|
mode |
string:
Custom |
[Vereist] Seizoensgebondenheidsmodus. |
value |
integer (int32) |
[Vereist] Seizoensgebondenheidswaarde. |
CustomTargetLags
Name | Type | Description |
---|---|---|
mode |
string:
Custom |
[Vereist] Doelvertragingsmodus instellen - Automatisch/aangepast |
values |
integer[] (int32) |
[Vereist] Stel waarden voor doelvertragingen in. |
CustomTargetRollingWindowSize
Name | Type | Description |
---|---|---|
mode |
string:
Custom |
[Vereist] TargetRollingWindowSiz-detectiemodus. |
value |
integer (int32) |
[Vereist] TargetRollingWindowSize-waarde. |
DataDriftMonitoringSignal
Name | Type | Description |
---|---|---|
featureDataTypeOverride |
object |
Een woordenlijst waarmee functienamen worden toegewezen aan hun respectieve gegevenstypen. |
featureImportanceSettings |
De instellingen voor het belang van computingfuncties. |
|
features | MonitoringFeatureFilterBase: |
Het functiefilter waarmee wordt aangegeven welke functie moet worden berekend. |
metricThresholds | DataDriftMetricThresholdBase[]: |
[Vereist] Een lijst met metrische gegevens die moeten worden berekend en de bijbehorende drempelwaarden. |
notificationTypes |
De huidige meldingsmodus voor dit signaal. |
|
productionData | MonitoringInputDataBase: |
[Vereist] De gegevens waarvoor afwijkingen worden berekend. |
properties |
object |
Eigenschappenwoordenlijst. Eigenschappen kunnen worden toegevoegd, maar niet worden verwijderd of gewijzigd. |
referenceData | MonitoringInputDataBase: |
[Vereist] De gegevens voor het berekenen van afwijkingen. |
signalType |
string:
Data |
[Vereist] Hiermee geeft u het type signaal dat moet worden bewaakt. |
DataQualityMonitoringSignal
Name | Type | Description |
---|---|---|
featureDataTypeOverride |
object |
Een woordenlijst waarmee functienamen worden toegewezen aan hun respectieve gegevenstypen. |
featureImportanceSettings |
De instellingen voor het belang van computingfuncties. |
|
features | MonitoringFeatureFilterBase: |
De functies voor het berekenen van afwijkingen. |
metricThresholds | DataQualityMetricThresholdBase[]: |
[Vereist] Een lijst met metrische gegevens die moeten worden berekend en de bijbehorende drempelwaarden. |
notificationTypes |
De huidige meldingsmodus voor dit signaal. |
|
productionData | MonitoringInputDataBase: |
[Vereist] De gegevens die worden geproduceerd door de productieservice waarvoor afwijkingen worden berekend. |
properties |
object |
Eigenschappenwoordenlijst. Eigenschappen kunnen worden toegevoegd, maar niet worden verwijderd of gewijzigd. |
referenceData | MonitoringInputDataBase: |
[Vereist] De gegevens voor het berekenen van afwijkingen. |
signalType |
string:
Data |
[Vereist] Hiermee geeft u het type signaal dat moet worden bewaakt. |
DistributionType
Enum om het taakdistributietype te bepalen.
Waarde | Description |
---|---|
Mpi | |
PyTorch | |
TensorFlow |
EarlyTerminationPolicyType
Waarde | Description |
---|---|
Bandit | |
MedianStopping | |
TruncationSelection |
EmailNotificationEnableType
Opsomming om het type e-mailmelding te bepalen.
Waarde | Description |
---|---|
JobCancelled | |
JobCompleted | |
JobFailed |
EndpointScheduleAction
Name | Type | Description |
---|---|---|
actionType |
string:
Invoke |
[Vereist] Hiermee geeft u het actietype van de planning |
endpointInvocationDefinition |
object |
[Vereist] Definieert details van de actiedefinitie Planning. |
ErrorAdditionalInfo
Aanvullende informatie over de resourcebeheerfout.
Name | Type | Description |
---|---|---|
info |
object |
De aanvullende informatie. |
type |
string |
Het extra informatietype. |
ErrorDetail
De foutdetails.
Name | Type | Description |
---|---|---|
additionalInfo |
De fout bevat aanvullende informatie. |
|
code |
string |
De foutcode. |
details |
De foutdetails. |
|
message |
string |
Het foutbericht. |
target |
string |
Het foutdoel. |
ErrorResponse
Foutreactie
Name | Type | Description |
---|---|---|
error |
Het foutobject. |
FeatureAttributionDriftMonitoringSignal
Name | Type | Description |
---|---|---|
featureDataTypeOverride |
object |
Een woordenlijst waarmee functienamen worden toegewezen aan hun respectieve gegevenstypen. |
featureImportanceSettings |
[Vereist] De instellingen voor het belang van computingfuncties. |
|
metricThreshold |
[Vereist] Een lijst met metrische gegevens die moeten worden berekend en de bijbehorende drempelwaarden. |
|
notificationTypes |
De huidige meldingsmodus voor dit signaal. |
|
productionData | MonitoringInputDataBase[]: |
[Vereist] De gegevens waarvoor afwijkingen worden berekend. |
properties |
object |
Eigenschappenwoordenlijst. Eigenschappen kunnen worden toegevoegd, maar niet worden verwijderd of gewijzigd. |
referenceData | MonitoringInputDataBase: |
[Vereist] De gegevens voor het berekenen van afwijkingen. |
signalType |
string:
Feature |
[Vereist] Hiermee geeft u het type signaal dat moet worden bewaakt. |
FeatureAttributionMetric
Waarde | Description |
---|---|
NormalizedDiscountedCumulativeGain |
De metrische waarde genormaliseerde genormaliseerde cumulatieve winst. |
FeatureAttributionMetricThreshold
Name | Type | Description |
---|---|---|
metric |
[Vereist] De metrische waarde voor functietoekenning die moet worden berekend. |
|
threshold |
De drempelwaarde. Als null is, wordt een standaardwaarde ingesteld, afhankelijk van de geselecteerde metrische waarde. |
FeatureImportanceMode
De bewerkingsmodus voor het belang van computingfuncties.
Waarde | Description |
---|---|
Disabled |
Hiermee schakelt u het belang van computingfuncties binnen een signaal uit. |
Enabled |
Hiermee schakelt u het belang van computingfuncties binnen een signaal in. |
FeatureImportanceSettings
Name | Type | Default value | Description |
---|---|---|---|
mode | Disabled |
De bewerkingsmodus voor het belang van computingfuncties. |
|
targetColumn |
string |
De naam van de doelkolom binnen de invoergegevensasset. |
FeatureLags
Vlag voor het genereren van vertragingen voor de numerieke functies.
Waarde | Description |
---|---|
Auto |
Systeem genereert automatisch functievertragingen. |
None |
Er zijn geen functievertragingen gegenereerd. |
FeatureSubset
Name | Type | Description |
---|---|---|
features |
string[] |
[Vereist] De lijst met functies die moeten worden opgenomen. |
filterType | string: |
[Vereist] Hiermee geeft u het functiefilter op dat moet worden gebruikt bij het selecteren van functies om metrische gegevens te berekenen. |
FeaturizationMode
Featurization-modus: bepaalt de gegevens-featurization-modus.
Waarde | Description |
---|---|
Auto |
Automatische modus, systeem voert featurization uit zonder aangepaste featurization-invoer. |
Custom |
Aangepaste featurization. |
Off |
Featurization uitgeschakeld. De taak 'Prognose' kan deze waarde niet gebruiken. |
FixedInputData
Definitie van invoergegevens opgelost.
Name | Type | Description |
---|---|---|
columns |
object |
Toewijzing van kolomnamen aan speciale toepassingen. |
dataContext |
string |
De contextmetagegevens van de gegevensbron. |
inputDataType |
string:
Fixed |
[Vereist] Hiermee geeft u het type signaal dat moet worden bewaakt. |
jobInputType |
[Vereist] Hiermee geeft u het type taak. |
|
uri |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Invoerasset-URI. |
ForecastHorizonMode
Opsomming om de selectiemodus voor de prognose horizon te bepalen.
Waarde | Description |
---|---|
Auto |
De voorspellingshorizon die automatisch moet worden bepaald. |
Custom |
Gebruik de aangepaste prognose horizon. |
Forecasting
Prognosetaak in autoML-tabel verticaal.
Name | Type | Default value | Description |
---|---|---|---|
cvSplitColumnNames |
string[] |
Kolommen die moeten worden gebruikt voor CVSplit-gegevens. |
|
featurizationSettings |
Featurization-invoer die nodig is voor de AutoML-taak. |
||
forecastingSettings |
Taakspecifieke invoer voorspellen. |
||
limitSettings |
Uitvoeringsbeperkingen voor AutoMLJob. |
||
logVerbosity | Info |
Logboek uitgebreidheid voor de taak. |
|
nCrossValidations | NCrossValidations: |
Het aantal kruisvalidatievouwen dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset wordt opgegeven. |
|
primaryMetric | NormalizedRootMeanSquaredError |
Primaire metrische gegevens voor het voorspellen van een taak. |
|
targetColumnName |
string |
Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
|
taskType | string: |
[Vereist] Taaktype voor AutoMLJob. |
|
testData |
Gegevensinvoer testen. |
||
testDataSize |
number (double) |
Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0.0, 1.0) Toegepast wanneer er geen validatiegegevensset wordt opgegeven. |
|
trainingData |
[Vereist] Invoer van trainingsgegevens. |
||
trainingSettings |
Invoer voor de trainingsfase voor een AutoML-taak. |
||
validationData |
Invoer van validatiegegevens. |
||
validationDataSize |
number (double) |
Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0.0, 1.0) Toegepast wanneer er geen validatiegegevensset wordt opgegeven. |
|
weightColumnName |
string |
De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen. |
ForecastingModels
Opsomming voor alle prognosemodellen die worden ondersteund door AutoML.
Waarde | Description |
---|---|
Arimax |
Een Autoregressive Integrated Moving Average met ARIMAX-model (Verklarende variabele) kan worden weergegeven als een meervoudig regressiemodel met een of meer voorwaarden voor autoregressieve (AR) en/of een of meer termen voor zwevend gemiddelde (MA). Deze methode is geschikt voor prognose wanneer gegevens stationair/niet-stationair zijn en multivariant zijn met elk type gegevenspatroon, bijvoorbeeld niveau/trend/seizoensgebondenheid/cycliciteit. |
AutoArima |
Het ARIMA-model (AutoRegressive Integrated Moving Average) maakt gebruik van tijdreeksgegevens en statistische analyse om de gegevens te interpreteren en toekomstige voorspellingen te doen. Dit model is bedoeld om gegevens uit te leggen met behulp van tijdreeksgegevens op de eerdere waarden en maakt gebruik van lineaire regressie om voorspellingen te doen. |
Average |
Het model Gemiddelde prognose doet voorspellingen door het gemiddelde van de doelwaarden voor elke tijdreeks in de trainingsgegevens door te voeren. |
DecisionTree |
Beslissingsstructuren zijn een niet-parametrische leermethode die wordt gebruikt voor zowel classificatie- als regressietaken. Het doel is om een model te maken dat de waarde van een doelvariabele voorspelt door eenvoudige beslissingsregels te leren die zijn afgeleid van de gegevensfuncties. |
ElasticNet |
Elastisch net is een populair type ge regulariseerde lineaire regressie die twee populaire sancties combineert, met name de L1- en L2-boetefuncties. |
ExponentialSmoothing |
Exponentieel gladmaken is een tijdreeksprognosemethode voor univariate gegevens die kunnen worden uitgebreid ter ondersteuning van gegevens met een systematische trend of seizoenscomponent. |
ExtremeRandomTrees |
Extreme Trees is een ensemble machine learning-algoritme dat de voorspellingen van veel beslissingsstructuren combineert. Het is gerelateerd aan het veelgebruikte willekeurige forestalgoritme. |
GradientBoosting |
De techniek van het doorvoeren van weekleerders naar een sterke cursist wordt Boost genoemd. Het proces voor het verhogen van de kleurovergang werkt aan deze uitvoeringstheorie. |
KNN |
K-dichtstbijzijnde buren (KNN)-algoritme maakt gebruik van 'functie-gelijkenis' om de waarden van nieuwe gegevenspunten te voorspellen. Dit betekent verder dat aan het nieuwe gegevenspunt een waarde wordt toegewezen op basis van de mate waarin het overeenkomt met de punten in de trainingsset. |
LassoLars |
Lasso-model past bij Least Angle Regression a.k.a. Lars. Het is een lineair model dat is getraind met een L1 eerder als regularizer. |
LightGBM |
LightGBM is een framework voor het stimuleren van kleurovergangen dat gebruikmaakt van op structuur gebaseerde leeralgoritmen. |
Naive |
Het naïeve voorspellingsmodel doet voorspellingen door de meest recente doelwaarde voor elke tijdreeks in de trainingsgegevens door te sturen. |
Prophet |
Prophet is een procedure voor het voorspellen van tijdreeksgegevens op basis van een additief model waarbij niet-lineaire trends passen bij jaarlijkse, wekelijkse en dagelijkse seizoensgebondenheid, plus vakantie-effecten. Het werkt het beste met tijdreeksen met sterke seizoenseffecten en verschillende seizoenen van historische gegevens. Prophet is robuust om gegevens en verschuivingen in de trend te missen en verwerkt meestal uitbijters goed. |
RandomForest |
Random forest is een leeralgoritmen onder supervisie. Het "bos" dat het bouwt, is een ensemble van beslissingsbomen, meestal getraind met de "bagging"-methode. Het algemene idee van de baggingmethode is dat een combinatie van leermodellen het algehele resultaat verhoogt. |
SGD |
SGD: Stochastische gradiëntafname is een optimalisatie-algoritme dat vaak wordt gebruikt in machine learning-toepassingen om de modelparameters te vinden die overeenkomen met de beste pasvorm tussen voorspelde en werkelijke uitvoer. Het is een onuitstaanbare maar krachtige techniek. |
SeasonalAverage |
Het seizoensgebonden gemiddelde voorspellingsmodel doet voorspellingen door de gemiddelde waarde van het laatste seizoen met gegevens voor elke tijdreeks in de trainingsgegevens door te voeren. |
SeasonalNaive |
Het seizoensgebonden naïef voorspellende model doet voorspellingen door het laatste seizoen met doelwaarden voor elke tijdreeks in de trainingsgegevens door te voeren. |
TCNForecaster |
TCNForecaster: Tijdelijke convolutionele netwerken voorspellen. TODO: Vraag het prognoseteam voor korte inleiding. |
XGBoostRegressor |
XGBoostRegressor: Extreme Gradient Boosting Regressor is een machine learning-model onder supervisie met behulp van ensemble van basisleerders. |
ForecastingPrimaryMetrics
Primaire metrische gegevens voor de prognosetaak.
Waarde | Description |
---|---|
NormalizedMeanAbsoluteError |
De genormaliseerde gemiddelde absolute fout (NMAE) is een validatiemetriek om de Mean Absolute Error (MAE) van (tijd) reeksen te vergelijken met verschillende schalen. |
NormalizedRootMeanSquaredError |
De RMSE (Normalized Root Mean Squared Error, NRMSE) vereenvoudigt de vergelijking tussen modellen met verschillende schalen. |
R2Score |
De R2-score is een van de prestatie-evaluatiemaatregelen voor machine learning-modellen op basis van prognoses. |
SpearmanCorrelation |
De rangcoëfficiënt van Spearman van correlatie is een niet-parametrische meting van rangcorrelatie. |
ForecastingSettings
Specifieke parameters voorspellen.
Name | Type | Default value | Description |
---|---|---|---|
countryOrRegionForHolidays |
string |
Land of regio voor feestdagen voor prognosetaken. Dit moeten ISO 3166 tweeletterige land-/regiocodes zijn, bijvoorbeeld 'VS' of 'GB'. |
|
cvStepSize |
integer (int32) |
Aantal perioden tussen de oorspronkelijke tijd van één CV-vouw en de volgende vouw. Als bijvoorbeeld |
|
featureLags | None |
Vlag voor het genereren van vertragingen voor de numerieke functies met 'auto' of null. |
|
forecastHorizon | ForecastHorizon: | {"Mode": "Custom", "Value": 1} |
De gewenste maximale prognose horizon in eenheden van tijdreeksfrequentie. |
frequency |
string |
Bij het voorspellen vertegenwoordigt deze parameter de periode waarmee de prognose gewenst is, bijvoorbeeld dagelijks, wekelijks, jaarlijks, enzovoort. De prognosefrequentie is standaard de frequentie van de gegevensset. |
|
seasonality | Seasonality: | {"Mode": "Auto"} |
Stel de seizoensgebondenheid van tijdreeksen in als een geheel getal van het veelvoud van de reeksfrequentie. Als seizoensgebondenheid is ingesteld op 'auto', wordt dit afgeleid. |
shortSeriesHandlingConfig | Auto |
De parameter die definieert hoe autoML korte tijdreeksen moet verwerken. |
|
targetAggregateFunction | None |
De functie die moet worden gebruikt om de doelkolom van de tijdreeks te aggregeren om te voldoen aan een door de gebruiker opgegeven frequentie. Als de TargetAggregateFunction is ingesteld, dus niet 'Geen', maar de freq-parameter niet is ingesteld, wordt de fout gegenereerd. De mogelijke doelaggregatiefuncties zijn: 'sum', 'max', 'min' en 'mean'. |
|
targetLags | TargetLags: |
Het aantal eerdere perioden tot vertraging van de doelkolom. |
|
targetRollingWindowSize | TargetRollingWindowSize: |
Het aantal eerdere perioden dat wordt gebruikt voor het maken van een doorlopend venster gemiddelde van de doelkolom. |
|
timeColumnName |
string |
De naam van de tijdkolom. Deze parameter is vereist bij het voorspellen om de datum/tijd-kolom op te geven in de invoergegevens die worden gebruikt voor het bouwen van de tijdreeks en het uitstellen van de frequentie. |
|
timeSeriesIdColumnNames |
string[] |
De namen van kolommen die worden gebruikt om een tijdreeks te groeperen. Het kan worden gebruikt om meerdere reeksen te maken. Als graan niet is gedefinieerd, wordt ervan uitgegaan dat de gegevensset één tijdreeks is. Deze parameter wordt gebruikt bij het voorspellen van taaktypen. |
|
useStl | None |
Configureer STL-decompositie van de doelkolom van de tijdreeks. |
ForecastingTrainingSettings
Configuratie met betrekking tot training voorspellen.
Name | Type | Default value | Description |
---|---|---|---|
allowedTrainingAlgorithms |
Toegestane modellen voor het voorspellen van een taak. |
||
blockedTrainingAlgorithms |
Geblokkeerde modellen voor het voorspellen van een taak. |
||
enableDnnTraining |
boolean |
False |
Schakel de aanbeveling van DNN-modellen in. |
enableModelExplainability |
boolean |
True |
Vlag om uitleg in te schakelen voor het beste model. |
enableOnnxCompatibleModels |
boolean |
False |
Vlag voor het inschakelen van compatibele onnx-modellen. |
enableStackEnsemble |
boolean |
True |
Schakel stack ensemble run in. |
enableVoteEnsemble |
boolean |
True |
Stem ensembleuitvoering inschakelen. |
ensembleModelDownloadTimeout |
string (duration) |
PT5M |
Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is. |
stackEnsembleSettings |
Stack ensemble-instellingen voor stack ensemble run. |
Goal
Definieert ondersteunde metrische doelen voor het afstemmen van hyperparameters
Waarde | Description |
---|---|
Maximize | |
Minimize |
GridSamplingAlgorithm
Definieert een sampling-algoritme dat alle waardecombinaties in de ruimte volledig genereert
Name | Type | Description |
---|---|---|
samplingAlgorithmType |
string:
Grid |
[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen |
IdentityConfigurationType
Enum om het identiteitsframework te bepalen.
Waarde | Description |
---|---|
AMLToken | |
Managed | |
UserIdentity |
ImageClassification
Afbeeldingsclassificatie. Afbeeldingsclassificatie met meerdere klassen wordt gebruikt wanneer een afbeelding wordt geclassificeerd met slechts één label uit een reeks klassen, bijvoorbeeld elke afbeelding wordt geclassificeerd als een afbeelding van een 'kat' of 'hond' of een 'eend'.
Name | Type | Default value | Description |
---|---|---|---|
limitSettings |
[Vereist] Instellingen voor de AutoML-taak beperken. |
||
logVerbosity | Info |
Logboek uitgebreidheid voor de taak. |
|
modelSettings |
Instellingen die worden gebruikt voor het trainen van het model. |
||
primaryMetric | Accuracy |
Primaire metrische gegevens die u voor deze taak wilt optimaliseren. |
|
searchSpace |
Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters. |
||
sweepSettings |
Model opruimen en hyperparameter opruimen gerelateerde instellingen. |
||
targetColumnName |
string |
Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
|
taskType | string: |
[Vereist] Taaktype voor AutoMLJob. |
|
trainingData |
[Vereist] Invoer van trainingsgegevens. |
||
validationData |
Invoer van validatiegegevens. |
||
validationDataSize |
number (double) |
Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0.0, 1.0) Toegepast wanneer er geen validatiegegevensset wordt opgegeven. |
ImageClassificationMultilabel
Afbeeldingsclassificatie met meerdere labels. Afbeeldingsclassificatie met meerdere labels wordt gebruikt wanneer een afbeelding een of meer labels van een set labels kan hebben. Een afbeelding kan bijvoorbeeld worden gelabeld met zowel 'kat' als 'hond'.
Name | Type | Default value | Description |
---|---|---|---|
limitSettings |
[Vereist] Instellingen voor de AutoML-taak beperken. |
||
logVerbosity | Info |
Logboek uitgebreidheid voor de taak. |
|
modelSettings |
Instellingen die worden gebruikt voor het trainen van het model. |
||
primaryMetric | IOU |
Primaire metrische gegevens die u voor deze taak wilt optimaliseren. |
|
searchSpace |
Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters. |
||
sweepSettings |
Model opruimen en hyperparameter opruimen gerelateerde instellingen. |
||
targetColumnName |
string |
Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
|
taskType | string: |
[Vereist] Taaktype voor AutoMLJob. |
|
trainingData |
[Vereist] Invoer van trainingsgegevens. |
||
validationData |
Invoer van validatiegegevens. |
||
validationDataSize |
number (double) |
Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0.0, 1.0) Toegepast wanneer er geen validatiegegevensset wordt opgegeven. |
ImageInstanceSegmentation
Segmentatie van afbeeldingsexemplaren. Instantiesegmentatie wordt gebruikt om objecten in een afbeelding op pixelniveau te identificeren, waarbij een veelhoek rond elk object in de afbeelding wordt getekend.
Name | Type | Default value | Description |
---|---|---|---|
limitSettings |
[Vereist] Instellingen voor de AutoML-taak beperken. |
||
logVerbosity | Info |
Logboek uitgebreidheid voor de taak. |
|
modelSettings |
Instellingen die worden gebruikt voor het trainen van het model. |
||
primaryMetric | MeanAveragePrecision |
Primaire metrische gegevens die u voor deze taak wilt optimaliseren. |
|
searchSpace |
Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters. |
||
sweepSettings |
Model opruimen en hyperparameter opruimen gerelateerde instellingen. |
||
targetColumnName |
string |
Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
|
taskType | string: |
[Vereist] Taaktype voor AutoMLJob. |
|
trainingData |
[Vereist] Invoer van trainingsgegevens. |
||
validationData |
Invoer van validatiegegevens. |
||
validationDataSize |
number (double) |
Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0.0, 1.0) Toegepast wanneer er geen validatiegegevensset wordt opgegeven. |
ImageLimitSettings
Instellingen voor de AutoML-taak beperken.
Name | Type | Default value | Description |
---|---|---|---|
maxConcurrentTrials |
integer (int32) |
1 |
Maximum aantal gelijktijdige AutoML-iteraties. |
maxTrials |
integer (int32) |
1 |
Maximum aantal AutoML-iteraties. |
timeout |
string (duration) |
P7D |
Time-out voor AutoML-taken. |
ImageModelDistributionSettingsClassification
Distributie-expressies om waarden van modelinstellingen te overschrijven. Enkele voorbeelden zijn:
ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
Name | Type | Description |
---|---|---|
amsGradient |
string |
Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is. |
augmentations |
string |
Instellingen voor het gebruik van augmentations. |
beta1 |
string |
De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn. |
beta2 |
string |
De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn. |
distributed |
string |
Of u distributietraining wilt gebruiken. |
earlyStopping |
string |
Schakel vroege stoplogica in tijdens de training. |
earlyStoppingDelay |
string |
Het minimum aantal epochs of validatie-evaluaties dat moet worden gewacht voordat primaire metrische gegevens worden verbeterd voor vroegtijdige stop. Moet een positief geheel getal zijn. |
earlyStoppingPatience |
string |
Minimaal aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering wordt gestopt. Moet een positief geheel getal zijn. |
enableOnnxNormalization |
string |
Normalisatie inschakelen bij het exporteren van een ONNX-model. |
evaluationFrequency |
string |
Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn. |
gradientAccumulationStep |
string |
Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder de modelgewichten bij te werken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens de verzamelde kleurovergangen te gebruiken om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn. |
layersToFreeze |
string |
Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Zie voor een volledige lijst met modellen die worden ondersteund en details over laagblokkering: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
learningRate |
string |
Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn. |
learningRateScheduler |
string |
Type van leerpercentageplanner. Moet 'warmup_cosine' of 'stap' zijn. |
modelName |
string |
De naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
momentum |
string |
Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn. |
nesterov |
string |
Schakel nesterov in wanneer optimizer 'sgd' is. |
numberOfEpochs |
string |
Aantal trainingstijdvakken. Moet een positief geheel getal zijn. |
numberOfWorkers |
string |
Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn. |
optimizer |
string |
Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn. |
randomSeed |
string |
Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training. |
stepLRGamma |
string |
Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn. |
stepLRStepSize |
string |
Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn. |
trainingBatchSize |
string |
Grootte van trainingsbatch. Moet een positief geheel getal zijn. |
trainingCropSize |
string |
Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn. |
validationBatchSize |
string |
Validatiebatchgrootte Moet een positief geheel getal zijn. |
validationCropSize |
string |
Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn. |
validationResizeSize |
string |
Afbeeldingsgrootte waarnaar u het formaat wilt wijzigen voordat u bijsnijd voor validatiegegevensset. Moet een positief geheel getal zijn. |
warmupCosineLRCycles |
string |
Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn. |
warmupCosineLRWarmupEpochs |
string |
Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn. |
weightDecay |
string |
Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1]. |
weightedLoss |
string |
Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met wortel. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn. |
ImageModelDistributionSettingsObjectDetection
Distributie-expressies om waarden van modelinstellingen te overschrijven. Enkele voorbeelden zijn:
ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
Name | Type | Description |
---|---|---|
amsGradient |
string |
Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is. |
augmentations |
string |
Instellingen voor het gebruik van augmentations. |
beta1 |
string |
De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn. |
beta2 |
string |
De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn. |
boxDetectionsPerImage |
string |
Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
boxScoreThreshold |
string |
Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een float zijn in het bereik[0, 1]. |
distributed |
string |
Of u distributietraining wilt gebruiken. |
earlyStopping |
string |
Schakel vroege stoplogica in tijdens de training. |
earlyStoppingDelay |
string |
Het minimum aantal epochs of validatie-evaluaties dat moet worden gewacht voordat primaire metrische gegevens worden verbeterd voor vroegtijdige stop. Moet een positief geheel getal zijn. |
earlyStoppingPatience |
string |
Minimaal aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering wordt gestopt. Moet een positief geheel getal zijn. |
enableOnnxNormalization |
string |
Normalisatie inschakelen bij het exporteren van een ONNX-model. |
evaluationFrequency |
string |
Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn. |
gradientAccumulationStep |
string |
Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder de modelgewichten bij te werken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens de verzamelde kleurovergangen te gebruiken om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn. |
imageSize |
string |
Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: De trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5. |
layersToFreeze |
string |
Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Zie voor een volledige lijst met modellen die worden ondersteund en details over laagblokkering: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
learningRate |
string |
Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn. |
learningRateScheduler |
string |
Type van leerpercentageplanner. Moet 'warmup_cosine' of 'stap' zijn. |
maxSize |
string |
De maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
minSize |
string |
Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
modelName |
string |
De naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
modelSize |
string |
Modelgrootte. Moet 'klein', 'gemiddeld', 'groot' of 'xlarge' zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5. |
momentum |
string |
Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn. |
multiScale |
string |
Schakel meerdere schaalafbeeldingen in op verschillende afbeeldingsgrootten met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5. |
nesterov |
string |
Schakel nesterov in wanneer optimizer 'sgd' is. |
nmsIouThreshold |
string |
De drempelwaarde voor ALGORITMEN die wordt gebruikt tijdens deductie in NMS na verwerking. Moet in het bereik liggen [0, 1]. |
numberOfEpochs |
string |
Aantal trainingstijdvakken. Moet een positief geheel getal zijn. |
numberOfWorkers |
string |
Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn. |
optimizer |
string |
Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn. |
randomSeed |
string |
Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training. |
stepLRGamma |
string |
Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn. |
stepLRStepSize |
string |
Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn. |
tileGridSize |
string |
De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag geen zijn om kleine objectdetectielogica in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
tileOverlapRatio |
string |
Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
tilePredictionsNmsThreshold |
string |
De drempelwaarde voor OPGEGEVEN voor het uitvoeren van NMS tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet in het bereik liggen [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. NMS: Niet-maximale onderdrukking |
trainingBatchSize |
string |
Grootte van trainingsbatch. Moet een positief geheel getal zijn. |
validationBatchSize |
string |
Validatiebatchgrootte Moet een positief geheel getal zijn. |
validationIouThreshold |
string |
Drempelwaarde voor OPGEGEVEN voor gebruik bij het berekenen van de metrische waarde voor validatie. Moet in het bereik liggen [0, 1]. |
validationMetricType |
string |
De metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens. Moet 'none', 'coco', 'voc' of 'coco_voc' zijn. |
warmupCosineLRCycles |
string |
Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn. |
warmupCosineLRWarmupEpochs |
string |
Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn. |
weightDecay |
string |
Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1]. |
ImageModelSettingsClassification
Instellingen die worden gebruikt voor het trainen van het model. Ga voor meer informatie over de beschikbare instellingen naar de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
Name | Type | Default value | Description |
---|---|---|---|
advancedSettings |
string |
Instellingen voor geavanceerde scenario's. |
|
amsGradient |
boolean |
Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is. |
|
augmentations |
string |
Instellingen voor het gebruik van augmentations. |
|
beta1 |
number (float) |
De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn. |
|
beta2 |
number (float) |
De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn. |
|
checkpointFrequency |
integer (int32) |
Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn. |
|
checkpointModel |
Het vooraf getrainde controlepuntmodel voor incrementele training. |
||
checkpointRunId |
string |
De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training. |
|
distributed |
boolean |
Of u gedistribueerde training wilt gebruiken. |
|
earlyStopping |
boolean |
Schakel vroege stoplogica in tijdens de training. |
|
earlyStoppingDelay |
integer (int32) |
Het minimum aantal epochs of validatie-evaluaties dat moet worden gewacht voordat primaire metrische gegevens worden verbeterd voor vroegtijdige stop. Moet een positief geheel getal zijn. |
|
earlyStoppingPatience |
integer (int32) |
Minimaal aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering wordt gestopt. Moet een positief geheel getal zijn. |
|
enableOnnxNormalization |
boolean |
Normalisatie inschakelen bij het exporteren van een ONNX-model. |
|
evaluationFrequency |
integer (int32) |
Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn. |
|
gradientAccumulationStep |
integer (int32) |
Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder de modelgewichten bij te werken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens de verzamelde kleurovergangen te gebruiken om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn. |
|
layersToFreeze |
integer (int32) |
Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Zie voor een volledige lijst met modellen die worden ondersteund en details over laagblokkering: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
|
learningRate |
number (float) |
Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn. |
|
learningRateScheduler | None |
Type van leerpercentageplanner. Moet 'warmup_cosine' of 'stap' zijn. |
|
modelName |
string |
De naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
|
momentum |
number (float) |
Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn. |
|
nesterov |
boolean |
Schakel nesterov in wanneer optimizer 'sgd' is. |
|
numberOfEpochs |
integer (int32) |
Aantal trainingstijdvakken. Moet een positief geheel getal zijn. |
|
numberOfWorkers |
integer (int32) |
Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn. |
|
optimizer | None |
Type optimizer. |
|
randomSeed |
integer (int32) |
Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training. |
|
stepLRGamma |
number (float) |
Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn. |
|
stepLRStepSize |
integer (int32) |
Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn. |
|
trainingBatchSize |
integer (int32) |
Grootte van trainingsbatch. Moet een positief geheel getal zijn. |
|
trainingCropSize |
integer (int32) |
Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn. |
|
validationBatchSize |
integer (int32) |
Validatiebatchgrootte Moet een positief geheel getal zijn. |
|
validationCropSize |
integer (int32) |
Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn. |
|
validationResizeSize |
integer (int32) |
Afbeeldingsgrootte waarnaar u het formaat wilt wijzigen voordat u bijsnijd voor validatiegegevensset. Moet een positief geheel getal zijn. |
|
warmupCosineLRCycles |
number (float) |
Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn. |
|
warmupCosineLRWarmupEpochs |
integer (int32) |
Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn. |
|
weightDecay |
number (float) |
Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1]. |
|
weightedLoss |
integer (int32) |
Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met wortel. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn. |
ImageModelSettingsObjectDetection
Instellingen die worden gebruikt voor het trainen van het model. Ga voor meer informatie over de beschikbare instellingen naar de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
Name | Type | Default value | Description |
---|---|---|---|
advancedSettings |
string |
Instellingen voor geavanceerde scenario's. |
|
amsGradient |
boolean |
Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is. |
|
augmentations |
string |
Instellingen voor het gebruik van augmentations. |
|
beta1 |
number (float) |
De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn. |
|
beta2 |
number (float) |
De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn. |
|
boxDetectionsPerImage |
integer (int32) |
Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
|
boxScoreThreshold |
number (float) |
Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een float zijn in het bereik[0, 1]. |
|
checkpointFrequency |
integer (int32) |
Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn. |
|
checkpointModel |
Het vooraf getrainde controlepuntmodel voor incrementele training. |
||
checkpointRunId |
string |
De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training. |
|
distributed |
boolean |
Of u gedistribueerde training wilt gebruiken. |
|
earlyStopping |
boolean |
Schakel vroege stoplogica in tijdens de training. |
|
earlyStoppingDelay |
integer (int32) |
Het minimum aantal epochs of validatie-evaluaties dat moet worden gewacht voordat primaire metrische gegevens worden verbeterd voor vroegtijdige stop. Moet een positief geheel getal zijn. |
|
earlyStoppingPatience |
integer (int32) |
Minimaal aantal tijdvakken of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering wordt gestopt. Moet een positief geheel getal zijn. |
|
enableOnnxNormalization |
boolean |
Normalisatie inschakelen bij het exporteren van een ONNX-model. |
|
evaluationFrequency |
integer (int32) |
Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn. |
|
gradientAccumulationStep |
integer (int32) |
Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal 'GradAccumulationStep'-stappen zonder de modelgewichten bij te werken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens de verzamelde kleurovergangen te gebruiken om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn. |
|
imageSize |
integer (int32) |
Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: De trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5. |
|
layersToFreeze |
integer (int32) |
Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld vrieslaag0 en laag1. Zie voor een volledige lijst met modellen die worden ondersteund en details over laagblokkering: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
|
learningRate |
number (float) |
Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn. |
|
learningRateScheduler | None |
Type van leerpercentageplanner. Moet 'warmup_cosine' of 'stap' zijn. |
|
maxSize |
integer (int32) |
De maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
|
minSize |
integer (int32) |
Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
|
modelName |
string |
De naam van het model dat moet worden gebruikt voor training. Voor meer informatie over de beschikbare modellen raadpleegt u de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models. |
|
modelSize | None |
Modelgrootte. Moet 'klein', 'gemiddeld', 'groot' of 'xlarge' zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5. |
|
momentum |
number (float) |
Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn. |
|
multiScale |
boolean |
Schakel meerdere schaalafbeeldingen in op verschillende afbeeldingsgrootten met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5. |
|
nesterov |
boolean |
Schakel nesterov in wanneer optimizer 'sgd' is. |
|
nmsIouThreshold |
number (float) |
De drempelwaarde voor ALGORITMEN die wordt gebruikt tijdens deductie in NMS na verwerking. Moet een float in het bereik [0, 1] zijn. |
|
numberOfEpochs |
integer (int32) |
Aantal trainingstijdvakken. Moet een positief geheel getal zijn. |
|
numberOfWorkers |
integer (int32) |
Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn. |
|
optimizer | None |
Type optimizer. |
|
randomSeed |
integer (int32) |
Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training. |
|
stepLRGamma |
number (float) |
Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn. |
|
stepLRStepSize |
integer (int32) |
Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn. |
|
tileGridSize |
string |
De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag geen zijn om kleine objectdetectielogica in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
|
tileOverlapRatio |
number (float) |
Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
|
tilePredictionsNmsThreshold |
number (float) |
De drempelwaarde voor OPGEGEVEN voor het uitvoeren van NMS tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet in het bereik liggen [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. |
|
trainingBatchSize |
integer (int32) |
Grootte van trainingsbatch. Moet een positief geheel getal zijn. |
|
validationBatchSize |
integer (int32) |
Validatiebatchgrootte Moet een positief geheel getal zijn. |
|
validationIouThreshold |
number (float) |
Drempelwaarde voor OPGEGEVEN voor gebruik bij het berekenen van de metrische waarde voor validatie. Moet in het bereik liggen [0, 1]. |
|
validationMetricType | None |
De metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens. |
|
warmupCosineLRCycles |
number (float) |
Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn. |
|
warmupCosineLRWarmupEpochs |
integer (int32) |
Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn. |
|
weightDecay |
number (float) |
Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1]. |
ImageObjectDetection
Detectie van afbeeldingsobjecten. Objectdetectie wordt gebruikt om objecten in een afbeelding te identificeren en elk object te zoeken met een begrenzingsvak, bijvoorbeeld om alle honden en katten in een afbeelding te zoeken en een begrenzingsvak rond elk object te tekenen.
Name | Type | Default value | Description |
---|---|---|---|
limitSettings |
[Vereist] Instellingen voor de AutoML-taak beperken. |
||
logVerbosity | Info |
Logboek uitgebreidheid voor de taak. |
|
modelSettings |
Instellingen die worden gebruikt voor het trainen van het model. |
||
primaryMetric | MeanAveragePrecision |
Primaire metrische gegevens die u voor deze taak wilt optimaliseren. |
|
searchSpace |
Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters. |
||
sweepSettings |
Model opruimen en hyperparameter opruimen gerelateerde instellingen. |
||
targetColumnName |
string |
Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
|
taskType | string: |
[Vereist] Taaktype voor AutoMLJob. |
|
trainingData |
[Vereist] Invoer van trainingsgegevens. |
||
validationData |
Invoer van validatiegegevens. |
||
validationDataSize |
number (double) |
Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0.0, 1.0) Toegepast wanneer er geen validatiegegevensset wordt opgegeven. |
ImageSweepSettings
Model opruimen en hyperparameter opruimen gerelateerde instellingen.
Name | Type | Description |
---|---|---|
earlyTermination | EarlyTerminationPolicy: |
Type beleid voor vroegtijdige beëindiging. |
samplingAlgorithm |
[Vereist] Type van de algoritmen voor het nemen van hyperparameters. |
InputDeliveryMode
Enum om de leveringsmodus voor invoergegevens te bepalen.
Waarde | Description |
---|---|
Direct | |
Download | |
EvalDownload | |
EvalMount | |
ReadOnlyMount | |
ReadWriteMount |
InstanceSegmentationPrimaryMetrics
Primaire metrische gegevens voor InstanceSegmentation-taken.
Waarde | Description |
---|---|
MeanAveragePrecision |
Gemiddelde gemiddelde precisie (MAP) is het gemiddelde van AP (Gemiddelde precisie). AP wordt berekend voor elke klasse en gemiddeld voor het ophalen van de MAP. |
JobInputType
Enum om het taakinvoertype te bepalen.
Waarde | Description |
---|---|
custom_model | |
literal | |
mlflow_model | |
mltable | |
triton_model | |
uri_file | |
uri_folder |
JobLimitsType
Waarde | Description |
---|---|
Command | |
Sweep |
JobOutputType
Enum om het taakuitvoertype te bepalen.
Waarde | Description |
---|---|
custom_model | |
mlflow_model | |
mltable | |
triton_model | |
uri_file | |
uri_folder |
JobResourceConfiguration
Name | Type | Default value | Description |
---|---|---|---|
dockerArgs |
string |
Extra argumenten die moeten worden doorgegeven aan de opdracht Docker-run. Hiermee worden alle parameters overschreven die al zijn ingesteld door het systeem of in deze sectie. Deze parameter wordt alleen ondersteund voor Azure ML-rekentypen. |
|
instanceCount |
integer (int32) |
1 |
Optioneel aantal exemplaren of knooppunten dat door het rekendoel wordt gebruikt. |
instanceType |
string |
Optioneel type VM dat wordt gebruikt als ondersteund door het rekendoel. |
|
properties |
object |
Extra eigenschappen zak. |
|
shmSize |
string pattern: \d+[bBkKmMgG] |
2g |
Grootte van het gedeelde geheugenblok van de Docker-container. Dit moet de notatie (getal)(eenheid) hebben waarbij getal groter is dan 0 en de eenheid een van b(bytes), k(kilobytes), m(megabytes) of g(gigabytes) kan zijn. |
JobScheduleAction
Name | Type | Description |
---|---|---|
actionType |
string:
Create |
[Vereist] Hiermee geeft u het actietype van de planning |
jobDefinition | JobBase: |
[Vereist] Definieert details van de actiedefinitie Planning. |
JobService
Taakeindpuntdefinitie
Name | Type | Description |
---|---|---|
endpoint |
string |
URL voor eindpunt. |
errorMessage |
string |
Eventuele fouten in de service. |
jobServiceType |
string |
Eindpunttype. |
nodes | Nodes: |
Knooppunten waarop de gebruiker de service wil starten. Als knooppunten niet zijn ingesteld of ingesteld op null, wordt de service alleen gestart op het leader-knooppunt. |
port |
integer (int32) |
Poort voor eindpunt. |
properties |
object |
Aanvullende eigenschappen die moeten worden ingesteld op het eindpunt. |
status |
string |
Status van eindpunt. |
JobStatus
De status van een taak.
Waarde | Description |
---|---|
CancelRequested |
Annulering is aangevraagd voor de taak. |
Canceled |
Na annuleringsaanvraag is de taak nu geannuleerd. |
Completed |
De taak is voltooid. Dit geeft aan dat zowel de taak zelf als de status van de uitvoerverzameling zijn voltooid |
Failed |
Taak is mislukt. |
Finalizing |
De taak wordt voltooid in het doel. Deze heeft nu de status van de uitvoerverzameling. |
NotResponding |
Als heartbeat is ingeschakeld en de uitvoering geen informatie bijwerkt naar RunHistory, krijgt de uitvoering de status Niet reageren. Not Respond is de enige status die is uitgesloten van strikte overgangsorders. Een uitvoering kan van Niet reageren op een van de vorige statussen gaan. |
NotStarted |
De uitvoering is nog niet gestart. |
Paused |
De taak wordt onderbroken door gebruikers. Sommige aanpassingen aan labeltaken kunnen alleen in onderbroken status worden uitgevoerd. |
Preparing |
De uitvoeringsomgeving wordt voorbereid. |
Provisioning |
(Momenteel niet gebruikt) Deze wordt gebruikt als ES het rekendoel maakt. |
Queued |
De taak wordt in de wachtrij geplaatst in het rekendoel. In BatchAI heeft de taak bijvoorbeeld de status In de wachtrij, terwijl wordt gewacht tot alle vereiste knooppunten gereed zijn. |
Running |
De taak is gestart om te worden uitgevoerd in het rekendoel. |
Starting |
De uitvoering is gestart. De gebruiker heeft een uitvoerings-id. |
Unknown |
Standaardtaakstatus als deze niet is toegewezen aan alle andere statussen |
JobTier
Enum om het taakniveau te bepalen.
Waarde | Description |
---|---|
Basic | |
Null | |
Premium | |
Spot | |
Standard |
JobType
Enum om het type taak te bepalen.
Waarde | Description |
---|---|
AutoML | |
Command | |
Pipeline | |
Spark | |
Sweep |
LearningRateScheduler
Inventarisatie van leersnelheidsplanner.
Waarde | Description |
---|---|
None |
Er is geen learning rate scheduler geselecteerd. |
Step |
Stap learning rate scheduler. |
WarmupCosine |
Cosine Annealing met opwarming. |
LiteralJobInput
Letterlijk invoertype.
Name | Type | Description |
---|---|---|
description |
string |
Beschrijving voor de invoer. |
jobInputType |
string:
literal |
[Vereist] Hiermee geeft u het type taak. |
value |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Letterlijke waarde voor de invoer. |
LogVerbosity
Opsomming voor het instellen van de uitgebreidheid van logboeken.
Waarde | Description |
---|---|
Critical |
Alleen kritieke instructies vastgelegd. |
Debug |
Fouten opsporen en bovenstaande logboekinstructies vastgelegd. |
Error |
Fout- en bovenstaande logboekinstructies die zijn vastgelegd. |
Info |
Informatie en bovenstaande logboekinstructies die zijn vastgelegd. |
NotSet |
Er worden geen logboeken verzonden. |
Warning |
Waarschuwings- en bovenstaande logboekinstructies die zijn vastgelegd. |
ManagedComputeIdentity
Definitie van beheerde compute-identiteit.
Name | Type | Description |
---|---|---|
computeIdentityType | string: |
[Vereist] Hiermee geeft u het type identiteit op dat moet worden gebruikt binnen de bewakingstaken. |
identity |
De identiteit die wordt gebruikt door de bewakingstaken. |
ManagedIdentity
Configuratie van beheerde identiteit.
Name | Type | Description |
---|---|---|
clientId |
string (uuid) |
Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van client-id. Stel dit veld niet in voor het door het systeem toegewezen veld. |
identityType |
string:
Managed |
[Vereist] Hiermee geeft u het type identiteitsframework op. |
objectId |
string (uuid) |
Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van object-id. Stel dit veld niet in voor het door het systeem toegewezen veld. |
resourceId |
string |
Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van arm-resource-id. Stel dit veld niet in voor het door het systeem toegewezen veld. |
ManagedServiceIdentity
Beheerde service-identiteit (door het systeem toegewezen en/of door de gebruiker toegewezen identiteiten)
Name | Type | Description |
---|---|---|
principalId |
string (uuid) |
De service-principal-id van de door het systeem toegewezen identiteit. Deze eigenschap wordt alleen verstrekt voor een door het systeem toegewezen identiteit. |
tenantId |
string (uuid) |
De tenant-id van de door het systeem toegewezen identiteit. Deze eigenschap wordt alleen verstrekt voor een door het systeem toegewezen identiteit. |
type |
Type beheerde service-identiteit (waarbij zowel SystemAssigned- als UserAssigned-typen zijn toegestaan). |
|
userAssignedIdentities |
<string,
User |
User-Assigned identiteiten |
ManagedServiceIdentityType
Type beheerde service-identiteit (waarbij zowel SystemAssigned- als UserAssigned-typen zijn toegestaan).
Waarde | Description |
---|---|
None | |
SystemAssigned | |
SystemAssigned,UserAssigned | |
UserAssigned |
MedianStoppingPolicy
Definieert een beleid voor vroegtijdige beëindiging op basis van de lopende gemiddelden van de primaire metrische gegevens van alle uitvoeringen
Name | Type | Default value | Description |
---|---|---|---|
delayEvaluation |
integer (int32) |
0 |
Aantal intervallen waarmee de eerste evaluatie moet worden vertraagd. |
evaluationInterval |
integer (int32) |
0 |
Interval (aantal uitvoeringen) tussen beleidsevaluaties. |
policyType |
string:
Median |
[Vereist] Naam van beleidsconfiguratie |
MLFlowModelJobInput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de invoer. |
|
jobInputType |
string:
mlflow_model |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadOnlyMount |
Leveringsmodus invoerasset. |
|
uri |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Invoerasset-URI. |
MLFlowModelJobOutput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de uitvoer. |
|
jobOutputType |
string:
mlflow_model |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadWriteMount |
Uitvoerassetleveringsmodus. |
|
uri |
string |
Uitvoerasset-URI. |
MLTableJobInput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de invoer. |
|
jobInputType |
string:
mltable |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadOnlyMount |
Leveringsmodus invoerasset. |
|
uri |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Invoerasset-URI. |
MLTableJobOutput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de uitvoer. |
|
jobOutputType |
string:
mltable |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadWriteMount |
Uitvoerassetleveringsmodus. |
|
uri |
string |
Uitvoerasset-URI. |
ModelSize
Grootte van afbeeldingsmodel.
Waarde | Description |
---|---|
ExtraLarge |
Extra groot formaat. |
Large |
Groot formaat. |
Medium |
Middelgroot formaat. |
None |
Er is geen waarde geselecteerd. |
Small |
Klein formaat. |
ModelTaskType
Modeltaaktype enum.
Waarde | Description |
---|---|
Classification | |
Regression |
MonitorComputeIdentityType
Bewaak het type rekenidentiteit.
Waarde | Description |
---|---|
AmlToken |
Verifieert via het AML-token van de gebruiker. |
ManagedIdentity |
Verifieert via een door de gebruiker geleverde beheerde identiteit. |
MonitorComputeType
Bewaak het rekentype enum.
Waarde | Description |
---|---|
ServerlessSpark |
Serverloze Spark-rekenkracht. |
MonitorDefinition
Name | Type | Description |
---|---|---|
alertNotificationSettings |
De meldingsinstellingen van de monitor. |
|
computeConfiguration | MonitorComputeConfigurationBase: |
[Vereist] De ARM-resource-id van de rekenresource waarop de bewakingstaak moet worden uitgevoerd. |
monitoringTarget |
De entiteiten waarop de monitor is gericht. |
|
signals |
object |
[Vereist] De signalen die moeten worden bewaakt. |
MonitorEmailNotificationSettings
Name | Type | Description |
---|---|---|
emails |
string[] |
De lijst met geadresseerden voor e-mail met een limiet van 499 tekens in totaal. |
MonitoringFeatureDataType
Waarde | Description |
---|---|
Categorical |
Wordt gebruikt voor functies van het categorische gegevenstype. |
Numerical |
Wordt gebruikt voor functies van het numerieke gegevenstype. |
MonitoringFeatureFilterType
Waarde | Description |
---|---|
AllFeatures |
Bevat alle functies. |
FeatureSubset |
Bevat een door de gebruiker gedefinieerde subset van functies. |
TopNByAttribution |
Bevat alleen de belangrijkste bijdragende functies, gemeten op kenmerktoewijzing. |
MonitoringInputDataType
Opsomming van invoergegevenstype bewaken.
Waarde | Description |
---|---|
Fixed |
Een invoergegevens met tabelindeling waarvoor geen voorverwerking nodig is. |
Rolling |
Een invoergegevens die relatief worden meegedraaid naar de huidige uitvoeringstijd van de monitor. |
Static |
Een invoergegevens met een vaste venstergrootte. |
MonitoringNotificationType
Waarde | Description |
---|---|
AmlNotification |
Hiermee schakelt u e-mailmeldingen via AML-meldingen in. |
MonitoringSignalType
Waarde | Description |
---|---|
Custom |
Houdt een aangepast signaal bij dat door gebruikers wordt geleverd. |
DataDrift |
Houdt wijzigingen in modelinvoergegevensdistributie bij, vergeleken met trainingsgegevens of eerdere productiegegevens. |
DataQuality |
Houdt de integriteit van modelinvoergegevens bij. |
FeatureAttributionDrift |
Houdt de wijziging van het belang van de functie bij in productie, vergeleken met het belang van functies tijdens de training. |
PredictionDrift |
Hiermee wordt de wijziging van de distributie van voorspellingsresultaten bijgehouden, vergeleken met validatie-/testlabelgegevens of eerdere productiegegevens. |
MonitoringTarget
Doeldefinitie bewaken.
Name | Type | Description |
---|---|---|
deploymentId |
string |
Verwijzing naar de implementatieasset waarop deze monitor is gericht. |
modelId |
string |
Verwijzing naar de modelasset waarop deze monitor is gericht. |
taskType |
[Vereist] Het type machine learning-taak van het bewaakte model. |
MonitoringThreshold
Name | Type | Description |
---|---|---|
value |
number (double) |
De drempelwaarde. Als null is ingesteld, is de standaardinstelling afhankelijk van het metrische type. |
MonitorNotificationSettings
Name | Type | Description |
---|---|---|
emailNotificationSettings |
De E-mailinstellingen voor AML-meldingen. |
MonitorServerlessSparkCompute
Serverloze Spark-berekeningsdefinitie bewaken.
Name | Type | Description |
---|---|---|
computeIdentity | MonitorComputeIdentityBase: |
[Vereist] Het identiteitsschema dat wordt gebruikt door de Spark-taken die worden uitgevoerd op serverloze Spark. |
computeType |
string:
Serverless |
[Vereist] Hiermee geeft u het type signaal dat moet worden bewaakt. |
instanceType |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Het exemplaartype waarop de Spark-taak wordt uitgevoerd. |
runtimeVersion |
string minLength: 1pattern: ^[0-9]+\.[0-9]+$ |
[Vereist] De Spark Runtime-versie. |
Mpi
MPI-distributieconfiguratie.
Name | Type | Description |
---|---|---|
distributionType | string: |
[Vereist] Hiermee geeft u het type distributieframework op. |
processCountPerInstance |
integer (int32) |
Aantal processen per MPI-knooppunt. |
NCrossValidationsMode
Bepaalt hoe de waarde van N-Kruisvalidaties wordt bepaald.
Waarde | Description |
---|---|
Auto |
De waarde voor N-Kruisvalidaties automatisch bepalen. Alleen ondersteund voor autoML-taak 'Voorspellen'. |
Custom |
Gebruik de waarde voor aangepaste N-Kruisvalidaties. |
NlpVerticalFeaturizationSettings
Name | Type | Description |
---|---|---|
datasetLanguage |
string |
De taal van de gegevensset, handig voor de tekstgegevens. |
NlpVerticalLimitSettings
Beperkingen voor taakuitvoering.
Name | Type | Default value | Description |
---|---|---|---|
maxConcurrentTrials |
integer (int32) |
1 |
Maximum aantal Gelijktijdige AutoML-iteraties. |
maxTrials |
integer (int32) |
1 |
Aantal AutoML-iteraties. |
timeout |
string (duration) |
P7D |
Time-out voor AutoML-taken. |
NodesValueType
De opgesomde typen voor de waarde van de knooppunten
Waarde | Description |
---|---|
All |
NotificationSetting
Configuratie voor melding.
Name | Type | Description |
---|---|---|
emailOn |
E-mailmelding verzenden naar gebruiker op opgegeven meldingstype |
|
emails |
string[] |
Dit is de lijst met geadresseerden voor e-mail met een limiet van 499 tekens in totaal samenvoeging met kommascheidingsteken |
webhooks |
object |
Webhook callback verzenden naar een service. De sleutel is een door de gebruiker opgegeven naam voor de webhook. |
NumericalDataDriftMetric
Waarde | Description |
---|---|
JensenShannonDistance |
De metrische gegevens van Jensen Shannon Distance (JSD). |
NormalizedWassersteinDistance |
De genormaliseerde Wasserstein Afstand metrische gegevens. |
PopulationStabilityIndex |
De psi-meetwaarde (Population Stability Index). |
TwoSampleKolmogorovSmirnovTest |
De twee steekproef Kolmogorov-Smirnov Test (twee-steekproef Kâ€"S) metriek. |
NumericalDataDriftMetricThreshold
Name | Type | Description |
---|---|---|
dataType |
string:
Numerical |
[Vereist] Hiermee geeft u het gegevenstype van de metrische drempelwaarde op. |
metric |
[Vereist] De numerieke gegevensdriftwaarde die moet worden berekend. |
|
threshold |
De drempelwaarde. Als null is, wordt een standaardwaarde ingesteld, afhankelijk van de geselecteerde metrische waarde. |
NumericalDataQualityMetric
Waarde | Description |
---|---|
DataTypeErrorRate |
Berekent de snelheid van fouten van het gegevenstype. |
NullValueRate |
Berekent de snelheid van null-waarden. |
OutOfBoundsRate |
Berekent de snelheidswaarden buiten de grenzen. |
NumericalDataQualityMetricThreshold
Name | Type | Description |
---|---|---|
dataType |
string:
Numerical |
[Vereist] Hiermee geeft u het gegevenstype van de metrische drempelwaarde op. |
metric |
[Vereist] De meetwaarde voor numerieke gegevenskwaliteit die moet worden berekend. |
|
threshold |
De drempelwaarde. Als null is, wordt een standaardwaarde ingesteld, afhankelijk van de geselecteerde metrische waarde. |
NumericalPredictionDriftMetric
Waarde | Description |
---|---|
JensenShannonDistance |
De metrische gegevens van Jensen Shannon Distance (JSD). |
NormalizedWassersteinDistance |
De genormaliseerde Wasserstein Afstand metrische gegevens. |
PopulationStabilityIndex |
De psi-meetwaarde (Population Stability Index). |
TwoSampleKolmogorovSmirnovTest |
De twee steekproef Kolmogorov-Smirnov Test (twee-steekproef Kâ€"S) metriek. |
NumericalPredictionDriftMetricThreshold
Name | Type | Description |
---|---|---|
dataType |
string:
Numerical |
[Vereist] Hiermee geeft u het gegevenstype van de metrische drempelwaarde op. |
metric |
[Vereist] De numerieke voorspellingsdrift die moet worden berekend. |
|
threshold |
De drempelwaarde. Als null is, wordt een standaardwaarde ingesteld, afhankelijk van de geselecteerde metrische waarde. |
ObjectDetectionPrimaryMetrics
Primaire metrische gegevens voor de taak Image ObjectDetection.
Waarde | Description |
---|---|
MeanAveragePrecision |
Gemiddelde gemiddelde precisie (MAP) is het gemiddelde van AP (Gemiddelde precisie). AP wordt berekend voor elke klasse en gemiddeld voor het ophalen van de MAP. |
Objective
Optimalisatiedoelstelling.
Name | Type | Description |
---|---|---|
goal |
[Vereist] Definieert ondersteunde metrische doelen voor het afstemmen van hyperparameters |
|
primaryMetric |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Naam van de metrische waarde die u wilt optimaliseren. |
OutputDeliveryMode
Opsommingen van uitvoergegevensleveringsmodus.
Waarde | Description |
---|---|
Direct | |
ReadWriteMount | |
Upload |
PipelineJob
Definitie van pijplijntaak: definieert algemene MFE-kenmerken.
Name | Type | Default value | Description |
---|---|---|---|
componentId |
string |
ARM-resource-id van de onderdeelresource. |
|
computeId |
string |
ARM-resource-id van de rekenresource. |
|
description |
string |
De tekst van de assetbeschrijving. |
|
displayName |
string |
Weergavenaam van taak. |
|
experimentName |
string |
Default |
De naam van het experiment waartoe de taak behoort. Als deze niet is ingesteld, wordt de taak in het standaardexperiment geplaatst. |
identity | IdentityConfiguration: |
Identiteitsconfiguratie. Indien ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. Standaard ingesteld op AmlToken als null. |
|
inputs |
object |
Invoer voor de pijplijntaak. |
|
isArchived |
boolean |
False |
Is de asset gearchiveerd? |
jobType |
string:
Pipeline |
[Vereist] Hiermee geeft u het type taak. |
|
jobs |
object |
Taken maken de pijplijntaak. |
|
notificationSetting |
Meldingsinstelling voor de taak |
||
outputs |
object |
Uitvoer voor de pijplijntaak |
|
properties |
object |
De woordenlijst voor asseteigenschappen. |
|
services |
<string,
Job |
Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt een eindpuntwaarde van FileStreamObject. |
|
settings |
object |
Pijplijninstellingen, voor zaken zoals ContinueRunOnStepFailure, enzovoort. |
|
sourceJobId |
string |
ARM-resource-id van brontaak. |
|
status |
Status van de taak. |
||
tags |
object |
Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt. |
PredictionDriftMonitoringSignal
Name | Type | Description |
---|---|---|
featureDataTypeOverride |
object |
Een woordenlijst waarmee functienamen worden toegewezen aan hun respectieve gegevenstypen. |
metricThresholds | PredictionDriftMetricThresholdBase[]: |
[Vereist] Een lijst met metrische gegevens die moeten worden berekend en de bijbehorende drempelwaarden. |
notificationTypes |
De huidige meldingsmodus voor dit signaal. |
|
productionData | MonitoringInputDataBase: |
[Vereist] De gegevens waarvoor afwijkingen worden berekend. |
properties |
object |
Eigenschappenwoordenlijst. Eigenschappen kunnen worden toegevoegd, maar niet worden verwijderd of gewijzigd. |
referenceData | MonitoringInputDataBase: |
[Vereist] De gegevens voor het berekenen van afwijkingen. |
signalType |
string:
Prediction |
[Vereist] Hiermee geeft u het type signaal dat moet worden bewaakt. |
PyTorch
PyTorch-distributieconfiguratie.
Name | Type | Description |
---|---|---|
distributionType | string: |
[Vereist] Hiermee geeft u het type distributieframework op. |
processCountPerInstance |
integer (int32) |
Aantal processen per knooppunt. |
QueueSettings
Name | Type | Default value | Description |
---|---|---|---|
jobTier | Null |
De rekentaaklaag beheren |
RandomSamplingAlgorithm
Definieert een sampling-algoritme waarmee willekeurig waarden worden gegenereerd
Name | Type | Default value | Description |
---|---|---|---|
rule | Random |
Het specifieke type willekeurig algoritme |
|
samplingAlgorithmType |
string:
Random |
[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen |
|
seed |
integer (int32) |
Een optioneel geheel getal dat moet worden gebruikt als de seed voor het genereren van willekeurige getallen |
RandomSamplingAlgorithmRule
Het specifieke type willekeurig algoritme
Waarde | Description |
---|---|
Random | |
Sobol |
RecurrenceFrequency
Opsomming om de frequentie van een terugkeerschema te beschrijven
Waarde | Description |
---|---|
Day |
Dagfrequentie |
Hour |
Uurfrequentie |
Minute |
Minuutfrequentie |
Month |
Maandfrequentie |
Week |
Weekfrequentie |
RecurrenceSchedule
Name | Type | Description |
---|---|---|
hours |
integer[] (int32) |
[Vereist] Lijst met uren voor de planning. |
minutes |
integer[] (int32) |
[Vereist] Lijst met minuten voor de planning. |
monthDays |
integer[] (int32) |
Lijst met maanddagen voor de planning |
weekDays |
Week |
Lijst met dagen voor de planning. |
RecurrenceTrigger
Name | Type | Default value | Description |
---|---|---|---|
endTime |
string |
Hiermee geeft u de eindtijd van de planning in ISO 8601, maar zonder utc-offset. Raadpleeg https://en.wikipedia.org/wiki/ISO_8601. De indeling '2022-06-01T00:00:01' Als deze niet aanwezig is, wordt het schema voor onbepaalde tijd uitgevoerd |
|
frequency |
[Vereist] De frequentie voor het activeren van het schema. |
||
interval |
integer (int32) |
[Vereist] Hiermee geeft u het schema-interval in combinatie met frequentie |
|
schedule |
Het terugkeerschema. |
||
startTime |
string |
Hiermee geeft u de begintijd van de planning in ISO 8601-indeling, maar zonder utc-offset. |
|
timeZone |
string |
UTC |
Hiermee geeft u de tijdzone op waarin het schema wordt uitgevoerd. Tijdzone moet de windows-tijdzone-indeling volgen. Doorverwijzen: https://docs.microsoft.com/en-us/windows-hardware/manufacture/desktop/default-time-zones?view=windows-11 |
triggerType |
string:
Recurrence |
[Vereist] |
Regression
Regressietaak in autoML-tabel verticaal.
Name | Type | Default value | Description |
---|---|---|---|
cvSplitColumnNames |
string[] |
Kolommen die moeten worden gebruikt voor CVSplit-gegevens. |
|
featurizationSettings |
Featurization-invoer die nodig is voor de AutoML-taak. |
||
limitSettings |
Uitvoeringsbeperkingen voor AutoMLJob. |
||
logVerbosity | Info |
Logboek uitgebreidheid voor de taak. |
|
nCrossValidations | NCrossValidations: |
Het aantal kruisvalidatievouwen dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset wordt opgegeven. |
|
primaryMetric | NormalizedRootMeanSquaredError |
Primaire metriek voor regressietaak. |
|
targetColumnName |
string |
Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
|
taskType | string: |
[Vereist] Taaktype voor AutoMLJob. |
|
testData |
Gegevensinvoer testen. |
||
testDataSize |
number (double) |
Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0.0, 1.0) Toegepast wanneer er geen validatiegegevensset wordt opgegeven. |
|
trainingData |
[Vereist] Invoer van trainingsgegevens. |
||
trainingSettings |
Invoer voor de trainingsfase voor een AutoML-taak. |
||
validationData |
Invoer van validatiegegevens. |
||
validationDataSize |
number (double) |
Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0.0, 1.0) Toegepast wanneer er geen validatiegegevensset wordt opgegeven. |
|
weightColumnName |
string |
De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen. |
RegressionModels
Opsomming voor alle Regressiemodellen die worden ondersteund door AutoML.
Waarde | Description |
---|---|
DecisionTree |
Beslissingsstructuren zijn een niet-parametrische leermethode die wordt gebruikt voor zowel classificatie- als regressietaken. Het doel is om een model te maken dat de waarde van een doelvariabele voorspelt door eenvoudige beslissingsregels te leren die zijn afgeleid van de gegevensfuncties. |
ElasticNet |
Elastisch net is een populair type ge regulariseerde lineaire regressie die twee populaire sancties combineert, met name de L1- en L2-boetefuncties. |
ExtremeRandomTrees |
Extreme Trees is een ensemble machine learning-algoritme dat de voorspellingen van veel beslissingsstructuren combineert. Het is gerelateerd aan het veelgebruikte willekeurige forestalgoritme. |
GradientBoosting |
De techniek van het doorvoeren van weekleerders naar een sterke cursist wordt Boost genoemd. Het proces voor het verhogen van de kleurovergang werkt aan deze uitvoeringstheorie. |
KNN |
K-dichtstbijzijnde buren (KNN)-algoritme maakt gebruik van 'functie-gelijkenis' om de waarden van nieuwe gegevenspunten te voorspellen. Dit betekent verder dat aan het nieuwe gegevenspunt een waarde wordt toegewezen op basis van de mate waarin het overeenkomt met de punten in de trainingsset. |
LassoLars |
Lasso-model past bij Least Angle Regression a.k.a. Lars. Het is een lineair model dat is getraind met een L1 eerder als regularizer. |
LightGBM |
LightGBM is een framework voor het stimuleren van kleurovergangen dat gebruikmaakt van op structuur gebaseerde leeralgoritmen. |
RandomForest |
Random forest is een leeralgoritmen onder supervisie. Het "bos" dat het bouwt, is een ensemble van beslissingsbomen, meestal getraind met de "bagging"-methode. Het algemene idee van de baggingmethode is dat een combinatie van leermodellen het algehele resultaat verhoogt. |
SGD |
SGD: Stochastische gradiëntafname is een optimalisatie-algoritme dat vaak wordt gebruikt in machine learning-toepassingen om de modelparameters te vinden die overeenkomen met de beste pasvorm tussen voorspelde en werkelijke uitvoer. Het is een onuitstaanbare maar krachtige techniek. |
XGBoostRegressor |
XGBoostRegressor: Extreme Gradient Boosting Regressor is een machine learning-model onder supervisie met behulp van ensemble van basisleerders. |
RegressionPrimaryMetrics
Primaire metrische gegevens voor regressietaak.
Waarde | Description |
---|---|
NormalizedMeanAbsoluteError |
De genormaliseerde gemiddelde absolute fout (NMAE) is een validatiemetriek om de Mean Absolute Error (MAE) van (tijd) reeksen te vergelijken met verschillende schalen. |
NormalizedRootMeanSquaredError |
De RMSE (Normalized Root Mean Squared Error, NRMSE) vereenvoudigt de vergelijking tussen modellen met verschillende schalen. |
R2Score |
De R2-score is een van de prestatie-evaluatiemaatregelen voor machine learning-modellen op basis van prognoses. |
SpearmanCorrelation |
De rangcoëfficiënt van Spearman van correlatie is een niet-parametrische meting van rangcorrelatie. |
RegressionTrainingSettings
Configuratie met betrekking tot regressietraining.
Name | Type | Default value | Description |
---|---|---|---|
allowedTrainingAlgorithms |
Toegestane modellen voor regressietaak. |
||
blockedTrainingAlgorithms |
Geblokkeerde modellen voor regressietaak. |
||
enableDnnTraining |
boolean |
False |
Schakel de aanbeveling van DNN-modellen in. |
enableModelExplainability |
boolean |
True |
Vlag om uitleg in te schakelen voor het beste model. |
enableOnnxCompatibleModels |
boolean |
False |
Vlag voor het inschakelen van compatibele onnx-modellen. |
enableStackEnsemble |
boolean |
True |
Schakel stack ensemble run in. |
enableVoteEnsemble |
boolean |
True |
Stem ensembleuitvoering inschakelen. |
ensembleModelDownloadTimeout |
string (duration) |
PT5M |
Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is. |
stackEnsembleSettings |
Stack ensemble-instellingen voor stack ensemble run. |
RollingInputData
Definitie van rolling invoergegevens.
Name | Type | Description |
---|---|---|
columns |
object |
Toewijzing van kolomnamen aan speciale toepassingen. |
dataContext |
string |
De contextmetagegevens van de gegevensbron. |
inputDataType |
string:
Rolling |
[Vereist] Hiermee geeft u het type signaal dat moet worden bewaakt. |
jobInputType |
[Vereist] Hiermee geeft u het type taak. |
|
preprocessingComponentId |
string |
Verwijzing naar de onderdeelasset die wordt gebruikt om de gegevens vooraf te verwerken. |
uri |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Invoerasset-URI. |
windowOffset |
string (duration) |
[Vereist] De tijdsverschil tussen het einde van het gegevensvenster en de huidige uitvoeringstijd van de monitor. |
windowSize |
string (duration) |
[Vereist] De grootte van het rolling-gegevensvenster. |
SamplingAlgorithmType
Waarde | Description |
---|---|
Bayesian | |
Grid | |
Random |
Schedule
Basisdefinitie van een schema
Name | Type | Default value | Description |
---|---|---|---|
action | ScheduleActionBase: |
[Vereist] Hiermee geeft u de actie van de planning |
|
description |
string |
De tekst van de assetbeschrijving. |
|
displayName |
string |
Weergavenaam van planning. |
|
isEnabled |
boolean |
True |
Is de planning ingeschakeld? |
properties |
object |
De woordenlijst voor asseteigenschappen. |
|
provisioningState |
Inrichtingsstatus voor de planning. |
||
tags |
object |
Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt. |
|
trigger | TriggerBase: |
[Vereist] Hiermee geeft u de details van de trigger |
ScheduleActionType
Waarde | Description |
---|---|
CreateJob | |
CreateMonitor | |
InvokeBatchEndpoint |
ScheduleProvisioningStatus
Waarde | Description |
---|---|
Canceled | |
Creating | |
Deleting | |
Failed | |
Succeeded | |
Updating |
ScheduleResource
Resource-envelop van Azure Resource Manager.
Name | Type | Description |
---|---|---|
id |
string |
Volledig gekwalificeerde resource-id voor de resource. Vb.: - /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName} |
name |
string |
De naam van de resource |
properties |
[Vereist] Aanvullende kenmerken van de entiteit. |
|
systemData |
Azure Resource Manager-metagegevens met createdBy- en modifiedBy-gegevens. |
|
type |
string |
Het type bron. Bijvoorbeeld 'Microsoft.Compute/virtualMachines' of 'Microsoft.Storage/storageAccounts' |
SeasonalityMode
Seizoensgebondenheidsmodus voorspellen.
Waarde | Description |
---|---|
Auto |
Seizoensgebondenheid die automatisch moet worden bepaald. |
Custom |
Gebruik de aangepaste seizoensgebondenheidswaarde. |
ShortSeriesHandlingConfiguration
De parameter die definieert hoe autoML korte tijdreeksen moet verwerken.
Waarde | Description |
---|---|
Auto |
Korte reeks wordt opgevuld als er geen lange reeks is, anders wordt korte reeks verwijderd. |
Drop |
Alle korte reeksen worden verwijderd. |
None |
Vertegenwoordigt geen/null-waarde. |
Pad |
Alle korte reeksen worden opgevuld. |
SparkJob
Spark-taakdefinitie.
Name | Type | Default value | Description |
---|---|---|---|
archives |
string[] |
Archiefbestanden die in de taak worden gebruikt. |
|
args |
string |
Argumenten voor de taak. |
|
codeId |
string (arm-id) minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] arm-id van de codeasset. |
|
componentId |
string |
ARM-resource-id van de onderdeelresource. |
|
computeId |
string |
ARM-resource-id van de rekenresource. |
|
conf |
object |
Door Spark geconfigureerde eigenschappen. |
|
description |
string |
De tekst van de assetbeschrijving. |
|
displayName |
string |
Weergavenaam van taak. |
|
entry | SparkJobEntry: |
[Vereist] De vermelding die moet worden uitgevoerd bij het opstarten van de taak. |
|
environmentId |
string (arm-id) |
De ARM-resource-id van de omgevingsspecificatie voor de taak. |
|
environmentVariables |
object |
Omgevingsvariabelen die zijn opgenomen in de taak. |
|
experimentName |
string |
Default |
De naam van het experiment waartoe de taak behoort. Als deze niet is ingesteld, wordt de taak in het standaardexperiment geplaatst. |
files |
string[] |
Bestanden die in de taak worden gebruikt. |
|
identity | IdentityConfiguration: |
Identiteitsconfiguratie. Indien ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. Standaard ingesteld op AmlToken als null. |
|
inputs |
object |
Toewijzing van invoergegevensbindingen die in de taak worden gebruikt. |
|
isArchived |
boolean |
False |
Is de asset gearchiveerd? |
jars |
string[] |
Jar-bestanden die in de taak worden gebruikt. |
|
jobType |
string:
Spark |
[Vereist] Hiermee geeft u het type taak. |
|
notificationSetting |
Meldingsinstelling voor de taak |
||
outputs |
object |
Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt. |
|
properties |
object |
De woordenlijst voor asseteigenschappen. |
|
pyFiles |
string[] |
Python-bestanden die in de taak worden gebruikt. |
|
queueSettings |
Wachtrijinstellingen voor de taak |
||
resources |
Rekenresourceconfiguratie voor de taak. |
||
services |
<string,
Job |
Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt een eindpuntwaarde van FileStreamObject. |
|
status |
Status van de taak. |
||
tags |
object |
Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt. |
SparkJobEntryType
Waarde | Description |
---|---|
SparkJobPythonEntry | |
SparkJobScalaEntry |
SparkJobPythonEntry
Name | Type | Description |
---|---|---|
file |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Relatief Python-bestandspad voor taakinvoerpunt. |
sparkJobEntryType | string: |
[Vereist] Type van het toegangspunt van de taak. |
SparkJobScalaEntry
Name | Type | Description |
---|---|---|
className |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Scala-klassenaam die wordt gebruikt als toegangspunt. |
sparkJobEntryType | string: |
[Vereist] Type van het toegangspunt van de taak. |
SparkResourceConfiguration
Name | Type | Default value | Description |
---|---|---|---|
instanceType |
string |
Optioneel type VM dat wordt gebruikt als ondersteund door het rekendoel. |
|
runtimeVersion |
string |
3.1 |
Versie van spark-runtime die wordt gebruikt voor de taak. |
StackEnsembleSettings
Geavanceerde instelling voor het aanpassen van StackEnsemble-uitvoering.
Name | Type | Default value | Description |
---|---|---|---|
stackMetaLearnerKWargs |
object |
Optionele parameters die moeten worden doorgegeven aan de initialisatiefunctie van de meta-learner. |
|
stackMetaLearnerTrainPercentage |
number (double) |
0.2 |
Hiermee geeft u het aandeel van de trainingsset op (bij het kiezen van het trainings- en validatietype) dat moet worden gereserveerd voor het trainen van de meta-learner. De standaardwaarde is 0,2. |
stackMetaLearnerType | None |
De meta-learner is een model dat is getraind op de uitvoer van de afzonderlijke heterogene modellen. |
StackMetaLearnerType
De meta-learner is een model dat is getraind op de uitvoer van de afzonderlijke heterogene modellen. Standaardmetaleerders zijn LogisticRegression voor classificatietaken (of LogisticRegressionCV als kruisvalidatie is ingeschakeld) en ElasticNet voor regressie-/prognosetaken (of ElasticNetCV als kruisvalidatie is ingeschakeld). Deze parameter kan een van de volgende tekenreeksen zijn: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor of LinearRegression
Waarde | Description |
---|---|
ElasticNet |
Standaardmetaleerders zijn LogisticRegression voor regressietaak. |
ElasticNetCV |
Standaard-meta-learners zijn LogisticRegression voor regressietaak wanneer CV is ingeschakeld. |
LightGBMClassifier | |
LightGBMRegressor | |
LinearRegression | |
LogisticRegression |
Standaardmetaleerders zijn LogisticRegression voor classificatietaken. |
LogisticRegressionCV |
Standaardmetagegevens zijn LogisticRegression voor classificatietaak wanneer CV is ingeschakeld. |
None |
StaticInputData
Definitie van statische invoergegevens.
Name | Type | Description |
---|---|---|
columns |
object |
Toewijzing van kolomnamen aan speciale toepassingen. |
dataContext |
string |
De contextmetagegevens van de gegevensbron. |
inputDataType |
string:
Static |
[Vereist] Hiermee geeft u het type signaal dat moet worden bewaakt. |
jobInputType |
[Vereist] Hiermee geeft u het type taak. |
|
preprocessingComponentId |
string |
Verwijzing naar de onderdeelasset die wordt gebruikt om de gegevens vooraf te verwerken. |
uri |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Invoerasset-URI. |
windowEnd |
string (date-time) |
[Vereist] De einddatum van het gegevensvenster. |
windowStart |
string (date-time) |
[Vereist] De begindatum van het gegevensvenster. |
StochasticOptimizer
Stochastic Optimizer voor afbeeldingsmodellen.
Waarde | Description |
---|---|
Adam |
Adam is algoritme dat stochastische objectieve functies optimaliseert op basis van adaptieve schattingen van momenten |
Adamw |
AdamW is een variant van de optimizer Adam die een verbeterde implementatie van gewichtsverval heeft. |
None |
Er is geen optimalisatie geselecteerd. |
Sgd |
Stochastic Gradient Descent optimizer. |
SweepJob
Taakdefinitie opruimen.
Name | Type | Default value | Description |
---|---|---|---|
componentId |
string |
ARM-resource-id van de onderdeelresource. |
|
computeId |
string |
ARM-resource-id van de rekenresource. |
|
description |
string |
De tekst van de assetbeschrijving. |
|
displayName |
string |
Weergavenaam van taak. |
|
earlyTermination | EarlyTerminationPolicy: |
Beleid voor vroegtijdige beëindiging zorgt ervoor dat uitvoeringen met slechte prestaties worden geannuleerd voordat ze zijn voltooid |
|
experimentName |
string |
Default |
De naam van het experiment waartoe de taak behoort. Als deze niet is ingesteld, wordt de taak in het standaardexperiment geplaatst. |
identity | IdentityConfiguration: |
Identiteitsconfiguratie. Indien ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. Standaard ingesteld op AmlToken als null. |
|
inputs |
object |
Toewijzing van invoergegevensbindingen die in de taak worden gebruikt. |
|
isArchived |
boolean |
False |
Is de asset gearchiveerd? |
jobType |
string:
Sweep |
[Vereist] Hiermee geeft u het type taak. |
|
limits | {} |
Taaklimiet opruimen. |
|
notificationSetting |
Meldingsinstelling voor de taak |
||
objective |
[Vereist] Optimalisatiedoelstelling. |
||
outputs |
object |
Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt. |
|
properties |
object |
De woordenlijst voor asseteigenschappen. |
|
queueSettings |
Wachtrijinstellingen voor de taak |
||
samplingAlgorithm | SamplingAlgorithm: |
[Vereist] Het algoritme voor hyperparametersampling |
|
searchSpace |
object |
[Vereist] Een woordenlijst met elke parameter en de bijbehorende distributie. De woordenlijstsleutel is de naam van de parameter |
|
services |
<string,
Job |
Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt een eindpuntwaarde van FileStreamObject. |
|
status |
Status van de taak. |
||
tags |
object |
Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt. |
|
trial |
[Vereist] Definitie van proefonderdeel. |
SweepJobLimits
Sweep Taaklimietklasse.
Name | Type | Description |
---|---|---|
jobLimitsType |
string:
Sweep |
[Vereist] Type JobLimit. |
maxConcurrentTrials |
integer (int32) |
Sweep Job max gelijktijdige proefversies. |
maxTotalTrials |
integer (int32) |
Sweep Job maximum aantal proefversies. |
timeout |
string (duration) |
De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Ondersteunt alleen de duur met precisie zo laag als seconden. |
trialTimeout |
string (duration) |
Time-outwaarde voor time-out voor de proefversie van de taak opruimen. |
systemData
Metagegevens met betrekking tot het maken en de laatste wijziging van de resource.
Name | Type | Description |
---|---|---|
createdAt |
string (date-time) |
De tijdstempel van het maken van resources (UTC). |
createdBy |
string |
De identiteit waarmee de resource is gemaakt. |
createdByType |
Het type identiteit waarmee de resource is gemaakt. |
|
lastModifiedAt |
string (date-time) |
De tijdstempel van de laatste wijziging van de resource (UTC) |
lastModifiedBy |
string |
De identiteit die de resource voor het laatst heeft gewijzigd. |
lastModifiedByType |
Het type identiteit dat de resource voor het laatst heeft gewijzigd. |
TableVerticalFeaturizationSettings
Featurisatie configuratie.
Name | Type | Default value | Description |
---|---|---|---|
blockedTransformers |
Deze transformatoren mogen niet worden gebruikt in featurization. |
||
columnNameAndTypes |
object |
Woordenlijst van kolomnaam en het bijbehorende type (int, float, tekenreeks, datum/tijd, enzovoort). |
|
datasetLanguage |
string |
De taal van de gegevensset, handig voor de tekstgegevens. |
|
enableDnnFeaturization |
boolean |
False |
Bepaalt of op Dnn gebaseerde featurizers moeten worden gebruikt voor gegevensmetrisatie. |
mode | Auto |
Featurization-modus: de gebruiker kan de standaardmodus 'Auto' behouden en AutoML zorgt voor de noodzakelijke transformatie van de gegevens in de featurization-fase. Als 'Uit' is geselecteerd, wordt er geen featurization uitgevoerd. Als 'Aangepast' is geselecteerd, kan de gebruiker aanvullende invoer opgeven om aan te passen hoe featurization wordt uitgevoerd. |
|
transformerParams |
object |
Gebruiker kan extra transformatoren opgeven die moeten worden gebruikt, samen met de kolommen waarop deze moet worden toegepast en parameters voor de transformatorconstructor. |
TableVerticalLimitSettings
Beperkingen voor taakuitvoering.
Name | Type | Default value | Description |
---|---|---|---|
enableEarlyTermination |
boolean |
True |
Vroegtijdige beëindiging inschakelen, bepaalt of AutoMLJob vroeg wordt beëindigd als er geen scoreverbetering is in de afgelopen 20 iteraties. |
exitScore |
number (double) |
Afsluitscore voor de AutoML-taak. |
|
maxConcurrentTrials |
integer (int32) |
1 |
Maximum aantal gelijktijdige iteraties. |
maxCoresPerTrial |
integer (int32) |
-1 |
Maximum aantal kernen per iteratie. |
maxTrials |
integer (int32) |
1000 |
Aantal iteraties. |
timeout |
string (duration) |
PT6H |
Time-out voor AutoML-taken. |
trialTimeout |
string (duration) |
PT30M |
Time-out voor iteratie. |
TargetAggregationFunction
Statistische doelfunctie.
Waarde | Description |
---|---|
Max | |
Mean | |
Min | |
None |
Vertegenwoordig geen waardeset. |
Sum |
TargetLagsMode
Doelvertragingsselectiemodi.
Waarde | Description |
---|---|
Auto |
Doelvertragingen die automatisch moeten worden bepaald. |
Custom |
Gebruik de aangepaste doelvertragingen. |
TargetRollingWindowSizeMode
Doelmodus voor rollende vensters.
Waarde | Description |
---|---|
Auto |
Bepaal automatisch de grootte van rollende vensters. |
Custom |
Gebruik de opgegeven grootte van het rolling-venster. |
TaskType
Type AutoMLJob-taak.
Waarde | Description |
---|---|
Classification |
Classificatie in machine learning en statistieken is een leerbenadering onder supervisie waarin het computerprogramma leert van de gegevens die eraan zijn gegeven en nieuwe waarnemingen of classificaties aanbrengt. |
Forecasting |
Voorspellen is een speciaal soort regressietaak die betrekking heeft op tijdreeksgegevens en een prognosemodel maakt dat kan worden gebruikt om de nabije toekomstige waarden te voorspellen op basis van de invoer. |
ImageClassification |
Afbeeldingsclassificatie. Afbeeldingsclassificatie met meerdere klassen wordt gebruikt wanneer een afbeelding wordt geclassificeerd met slechts één label uit een reeks klassen, bijvoorbeeld elke afbeelding wordt geclassificeerd als een afbeelding van een 'kat' of 'hond' of een 'eend'. |
ImageClassificationMultilabel |
Afbeeldingsclassificatie met meerdere labels. Afbeeldingsclassificatie met meerdere labels wordt gebruikt wanneer een afbeelding een of meer labels van een set labels kan hebben. Een afbeelding kan bijvoorbeeld worden gelabeld met zowel 'kat' als 'hond'. |
ImageInstanceSegmentation |
Segmentatie van afbeeldingsexemplaren. Instantiesegmentatie wordt gebruikt om objecten in een afbeelding op pixelniveau te identificeren, waarbij een veelhoek rond elk object in de afbeelding wordt getekend. |
ImageObjectDetection |
Detectie van afbeeldingsobjecten. Objectdetectie wordt gebruikt om objecten in een afbeelding te identificeren en elk object te zoeken met een begrenzingsvak, bijvoorbeeld om alle honden en katten in een afbeelding te zoeken en een begrenzingsvak rond elk object te tekenen. |
Regression |
Regressie betekent om de waarde te voorspellen met behulp van de invoergegevens. Regressiemodellen worden gebruikt om een continue waarde te voorspellen. |
TextClassification |
Tekstclassificatie (ook wel tekstlabels of tekstcategorisatie genoemd) is het proces van het sorteren van tekst in categorieën. Categorieën sluiten elkaar wederzijds uit. |
TextClassificationMultilabel |
Met een classificatietaak met meerdere labels wordt elk voorbeeld toegewezen aan een groep (nul of meer) doellabels. |
TextNER |
Tekst met de naam Entity Recognition, ook wel TextNER genoemd. Named Entity Recognition (NER) is de mogelijkheid om vrije tekst te gebruiken en de instanties van entiteiten, zoals personen, locaties, organisaties en meer, te identificeren. |
TensorFlow
TensorFlow-distributieconfiguratie.
Name | Type | Default value | Description |
---|---|---|---|
distributionType | string: |
[Vereist] Hiermee geeft u het type distributieframework op. |
|
parameterServerCount |
integer (int32) |
0 |
Aantal parameterservertaken. |
workerCount |
integer (int32) |
Aantal werknemers. Als dit niet is opgegeven, wordt het aantal exemplaren standaard ingesteld. |
TextClassification
Tekstclassificatietaak in AutoML NLP verticaal. NLP - Natuurlijke taalverwerking.
Name | Type | Default value | Description |
---|---|---|---|
featurizationSettings |
Featurization-invoer die nodig is voor de AutoML-taak. |
||
limitSettings |
Uitvoeringsbeperkingen voor AutoMLJob. |
||
logVerbosity | Info |
Logboek uitgebreidheid voor de taak. |
|
primaryMetric | Accuracy |
Primaire metrische gegevens voor Text-Classification taak. |
|
targetColumnName |
string |
Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
|
taskType | string: |
[Vereist] Taaktype voor AutoMLJob. |
|
trainingData |
[Vereist] Invoer van trainingsgegevens. |
||
validationData |
Invoer van validatiegegevens. |
TextClassificationMultilabel
Taak voor tekstclassificatie met meerdere labels in AutoML NLP verticaal. NLP - Natuurlijke taalverwerking.
Name | Type | Default value | Description |
---|---|---|---|
featurizationSettings |
Featurization-invoer die nodig is voor de AutoML-taak. |
||
limitSettings |
Uitvoeringsbeperkingen voor AutoMLJob. |
||
logVerbosity | Info |
Logboek uitgebreidheid voor de taak. |
|
primaryMetric |
Primaire metrische gegevens voor tekst-Classification-Multilabel taak. Op dit moment wordt alleen nauwkeurigheid ondersteund als primaire metrische gegevens, waardoor de gebruiker deze niet expliciet hoeft in te stellen. |
||
targetColumnName |
string |
Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
|
taskType | string: |
[Vereist] Taaktype voor AutoMLJob. |
|
trainingData |
[Vereist] Invoer van trainingsgegevens. |
||
validationData |
Invoer van validatiegegevens. |
TextNer
Text-NER taak in AutoML NLP verticaal. NER: Herkenning van benoemde entiteiten. NLP - Natuurlijke taalverwerking.
Name | Type | Default value | Description |
---|---|---|---|
featurizationSettings |
Featurization-invoer die nodig is voor de AutoML-taak. |
||
limitSettings |
Uitvoeringsbeperkingen voor AutoMLJob. |
||
logVerbosity | Info |
Logboek uitgebreidheid voor de taak. |
|
primaryMetric |
Primaire metrische gegevens voor Text-NER taak. Alleen 'Nauwkeurigheid' wordt ondersteund voor Text-NER, dus de gebruiker hoeft dit niet expliciet in te stellen. |
||
targetColumnName |
string |
Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken. |
|
taskType |
string:
TextNER |
[Vereist] Taaktype voor AutoMLJob. |
|
trainingData |
[Vereist] Invoer van trainingsgegevens. |
||
validationData |
Invoer van validatiegegevens. |
TopNFeaturesByAttribution
Name | Type | Default value | Description |
---|---|---|---|
filterType |
string:
Top |
[Vereist] Hiermee geeft u het functiefilter op dat moet worden gebruikt bij het selecteren van functies om metrische gegevens te berekenen. |
|
top |
integer (int32) |
10 |
Het aantal belangrijkste functies dat moet worden opgenomen. |
TrialComponent
Definitie van proefonderdeel.
Name | Type | Default value | Description |
---|---|---|---|
codeId |
string |
ARM-resource-id van de codeasset. |
|
command |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "Python train.py" |
|
distribution | DistributionConfiguration: |
Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn. |
|
environmentId |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak. |
|
environmentVariables |
object |
Omgevingsvariabelen die zijn opgenomen in de taak. |
|
resources | {} |
Rekenresourceconfiguratie voor de taak. |
TriggerType
Waarde | Description |
---|---|
Cron | |
Recurrence |
TritonModelJobInput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de invoer. |
|
jobInputType |
string:
triton_model |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadOnlyMount |
Leveringsmodus invoerasset. |
|
uri |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Invoerasset-URI. |
TritonModelJobOutput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de uitvoer. |
|
jobOutputType |
string:
triton_model |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadWriteMount |
Uitvoerassetleveringsmodus. |
|
uri |
string |
Uitvoerasset-URI. |
TruncationSelectionPolicy
Definieert een beleid voor vroegtijdige beëindiging dat een bepaald percentage uitvoeringen annuleert bij elk evaluatie-interval.
Name | Type | Default value | Description |
---|---|---|---|
delayEvaluation |
integer (int32) |
0 |
Aantal intervallen waarmee de eerste evaluatie moet worden vertraagd. |
evaluationInterval |
integer (int32) |
0 |
Interval (aantal uitvoeringen) tussen beleidsevaluaties. |
policyType |
string:
Truncation |
[Vereist] Naam van beleidsconfiguratie |
|
truncationPercentage |
integer (int32) |
0 |
Het percentage uitvoeringen dat moet worden geannuleerd bij elk evaluatie-interval. |
UriFileJobInput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de invoer. |
|
jobInputType |
string:
uri_file |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadOnlyMount |
Leveringsmodus invoerasset. |
|
uri |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Invoerasset-URI. |
UriFileJobOutput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de uitvoer. |
|
jobOutputType |
string:
uri_file |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadWriteMount |
Uitvoerassetleveringsmodus. |
|
uri |
string |
Uitvoerasset-URI. |
UriFolderJobInput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de invoer. |
|
jobInputType |
string:
uri_folder |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadOnlyMount |
Leveringsmodus invoerasset. |
|
uri |
string minLength: 1pattern: [a-zA-Z0-9_] |
[Vereist] Invoerasset-URI. |
UriFolderJobOutput
Name | Type | Default value | Description |
---|---|---|---|
description |
string |
Beschrijving voor de uitvoer. |
|
jobOutputType |
string:
uri_folder |
[Vereist] Hiermee geeft u het type taak. |
|
mode | ReadWriteMount |
Uitvoerassetleveringsmodus. |
|
uri |
string |
Uitvoerasset-URI. |
UserAssignedIdentity
Door de gebruiker toegewezen identiteitseigenschappen
Name | Type | Description |
---|---|---|
clientId |
string (uuid) |
De client-id van de toegewezen identiteit. |
principalId |
string (uuid) |
De principal-id van de toegewezen identiteit. |
UserIdentity
Configuratie van gebruikersidentiteit.
Name | Type | Description |
---|---|---|
identityType | string: |
[Vereist] Hiermee geeft u het type identiteitsframework op. |
UseStl
Configureer STL-decompositie van de doelkolom van de tijdreeks.
Waarde | Description |
---|---|
None |
Geen stl decompositie. |
Season | |
SeasonTrend |
ValidationMetricType
Metrische berekeningsmethode voor validatiegegevens in afbeeldingstaken.
Waarde | Description |
---|---|
Coco |
Coco metrisch. |
CocoVoc |
CocoVoc meetwaarde. |
None |
Geen metrische gegevens. |
Voc |
Voc-meetwaarde. |
WebhookType
Enum om het servicetype webhook callback te bepalen.
Waarde | Description |
---|---|
AzureDevOps |
WeekDay
Opsomming van weekdag
Waarde | Description |
---|---|
Friday |
Vrijdag weekdag |
Monday |
Maandag weekdag |
Saturday |
Zaterdag weekdag |
Sunday |
Zondagse weekdag |
Thursday |
Donderdag weekdag |
Tuesday |
Dinsdag weekdag |
Wednesday |
Woensdag weekdag |