Schemat YAML zautomatyzowanego polecenia prognozowania uczenia maszynowego (wersja 2)

Artykuł
04/04/2023

DOTYCZY:Rozszerzenie uczenia maszynowego platformy Azure w wersji 2 (bieżąca)

Źródłowy schemat JSON można znaleźć pod adresem https://azuremlschemas.azureedge.net/latest/autoMLForecastingJob.schema.json

Uwaga

Składnia YAML opisana w tym dokumencie jest oparta na schemacie JSON dla najnowszej wersji rozszerzenia interfejsu wiersza polecenia uczenia maszynowego w wersji 2. Ta składnia jest gwarantowana tylko do pracy z najnowszą wersją rozszerzenia interfejsu wiersza polecenia uczenia maszynowego w wersji 2. Schematy starszych wersji rozszerzeń można znaleźć na stronie https://azuremlschemasprod.azureedge.net/.

Składnia YAML

Klucz	Typ	Opis	Dozwolone wartości	Wartość domyślna
`$schema`	ciąg	Lokalizacja/adres URL do załadowania schematu YAML. Jeśli użytkownik używa rozszerzenia programu VS Code usługi Azure Machine Learning do tworzenia pliku YAML, w tym `$schema` w górnej części pliku, umożliwia użytkownikowi wywoływanie uzupełniania schematu i zasobów.
`compute`	ciąg	Wymagane. Nazwa infrastruktury obliczeniowej AML do wykonania zadania. Obliczenia mogą być odwołaniem do istniejącej maszyny obliczeniowej w obszarze roboczym Uwaga: zadania w potoku nie obsługują "lokalnego" jako `compute`. W tym miejscu "lokalne" oznacza to, że wystąpienie obliczeniowe utworzone w Azure Machine Learning studio obszarze roboczym użytkownika.	1. wzorzec `[^azureml:<compute_name>]` do korzystania z istniejących zasobów obliczeniowych, 2.`'local'` aby użyć wykonywania lokalnego	`'local'`
`limits`	object	Reprezentuje obiekt słownika składający się z konfiguracji limitów zadania tabelarycznego zautomatyzowanego uczenia maszynowego. Klucz jest nazwą limitu w kontekście zadania, a wartość jest wartością limitu. Zobacz limity , aby dowiedzieć się więcej o właściwościach tego obiektu.
`name`	ciąg	Nazwa przesłanego zadania zautomatyzowanego uczenia maszynowego. Musi być unikatowa we wszystkich zadaniach w obszarze roboczym. Jeśli nie zostanie określony, usługa Azure Machine Learning automatycznie wygeneruje identyfikator GUID nazwy.
`description`	ciąg	Opis zadania zautomatyzowanego uczenia maszynowego.
`display_name`	ciąg	Nazwa zadania, które użytkownik chce wyświetlić w interfejsie użytkownika programu Studio. Może to być nietypowe w obszarze roboczym. Jeśli zostanie pominięta, usługa Azure Machine Learning automatycznie ocenia identyfikator przymiotnika czytelnego dla człowieka dla nazwy wyświetlanej.
`experiment_name`	ciąg	Nazwa eksperymentu. Eksperymenty to rekordy zadań trenowania uczenia maszynowego na platformie Azure. Eksperymenty zawierają wyniki przebiegów wraz z dziennikami, wykresami i wykresami. Rekord przebiegu każdego zadania jest zorganizowany w ramach odpowiedniego eksperymentu na karcie "Eksperymenty" w studio.		Nazwa katalogu roboczego, w którym został utworzony
`environment_variables`	object	Obiekt słownika zmiennych środowiskowych do ustawienia w procesie, w którym jest wykonywane polecenie.
`outputs`	object	Reprezentuje słownik konfiguracji wyjściowych zadania. Klucz jest nazwą danych wyjściowych w kontekście zadania, a wartość jest konfiguracją wyjściową. Zobacz dane wyjściowe zadania , aby dowiedzieć się więcej o właściwościach tego obiektu.
`log_files`	object	Obiekt słownika zawierający dzienniki wykonywania zadania zautomatyzowanego uczenia maszynowego
`log_verbosity`	ciąg	Poziom szczegółowości dziennika do zapisywania w pliku dziennika. Dopuszczalne wartości są definiowane w bibliotece rejestrowania języka Python.	`'not_set'`, `'debug'`, `'info'`, `'warning'`, `'error'`, `'critical'`	`'info'`
`type`	const	Wymagane. Typ zadania.	`automl`	`automl`
`task`	const	Wymagane. Typ zadania zautomatyzowanego uczenia maszynowego do wykonania.	`forecasting`	`forecasting`
`target_column_name`	ciąg	Wymagane. Reprezentuje nazwę kolumny, która ma być prognozowana. Zadanie zautomatyzowanego uczenia maszynowego zgłasza błąd, jeśli nie zostanie określony.
`featurization`	object	Obiekt słownika definiujący konfigurację cech niestandardowych. W przypadku, gdy nie zostanie utworzona, konfiguracja zautomatyzowanego uczenia maszynowego stosuje automatyczne cechowanie. Zobacz cechowanie , aby wyświetlić właściwości tego obiektu.
`forecasting`	object	Obiekt słownika definiujący ustawienia zadania prognozowania. Zobacz prognozowanie , aby dowiedzieć się więcej o właściwościach tego obiektu.
`n_cross_validations`	ciąg lub liczba całkowita	Liczba weryfikacji krzyżowych do wykonania podczas wyboru modelu/potoku, jeśli `validation_data` nie zostanie określona. W przypadku, gdy oba `validation_data` i ten parametr nie jest podany lub ustawiony na `None`wartość , następnie zadanie zautomatyzowanego uczenia maszynowego ustawiło go domyślnie `auto` . `distributed_featurization` Jeśli opcja jest włączona i `validation_data` nie jest określona, jest ona domyślnie ustawiona na 2.	`'auto'`, [int]	`None`
`primary_metric`	ciąg	Metryka zoptymalizowana pod kątem wyboru modelu prognozowania szeregów czasowych. Jeśli `allowed_training_algorithms` do trenowania ma wartość "tcn_forecaster", funkcja Zautomatyzowane uczenie maszynowe obsługuje tylko funkcje "normalized_root_mean_squared_error" i "normalized_mean_absolute_error", które mają być używane jako primary_metric.	`"spearman_correlation"`, `"normalized_root_mean_squared_error"`, `"r2_score""normalized_mean_absolute_error"`	`"normalized_root_mean_squared_error"`
`training`	object	Obiekt słownika definiujący konfigurację używaną w trenowaniu modelu. Sprawdź trenowanie , aby dowiedzieć się więcej o właściwościach tego obiektu.
`training_data`	object	Wymagane Obiekt słownika zawierający konfigurację tabeli MLTable definiujący dane treningowe, które mają być używane jako dane wejściowe do trenowania modelu. Te dane są podzbiorem danych i powinny składać się zarówno z niezależnych funkcji/kolumn, jak i funkcji docelowej/kolumny. Użytkownik może użyć zarejestrowanej tabeli MLTable w obszarze roboczym przy użyciu formatu ":" (np. Input(mltable='my_mltable:1")) LUB użyć pliku lokalnego lub folderu jako tabeli MLTable(np. Input(mltable=MLTable(local_path="./data").). Ten obiekt musi być podany. Jeśli funkcja docelowa nie jest obecna w pliku źródłowym, automatyczne uczenie maszynowe zgłasza błąd. Sprawdź dane trenowania lub sprawdzania poprawności lub testowania , aby dowiedzieć się więcej o właściwościach tego obiektu.
`validation_data`	object	Obiekt słownika zawierający konfigurację mlTable definiujący dane weryfikacji, które mają być używane w ramach eksperymentu zautomatyzowanego uczenia maszynowego na potrzeby krzyżowej weryfikacji. Powinna składać się zarówno z niezależnych funkcji/kolumn, jak i funkcji docelowej/kolumny, jeśli ten obiekt jest dostarczany. Przykłady dotyczące danych szkoleniowych i danych weryfikacji nie mogą nakładać się na siebie. Zapoznaj się z danymi trenowania lub sprawdzania poprawności lub testowania , aby dowiedzieć się więcej o właściwościach tego obiektu. W przypadku, gdy ten obiekt nie jest zdefiniowany, następnie zautomatyzowane uczenie maszynowe używa `n_cross_validations` do dzielenia danych weryfikacji z danych treningowych zdefiniowanych w `training_data` obiekcie.
`test_data`	object	Obiekt słownika zawierający konfigurację mlTable definiujący dane testowe do użycia w przebiegu testowym na potrzeby przewidywań przy użyciu najlepszego modelu i ocenia model przy użyciu zdefiniowanych metryk. Powinna ona składać się tylko z niezależnych funkcji używanych w danych treningowych (bez funkcji docelowej), jeśli ten obiekt jest udostępniany. Sprawdź dane trenowania lub sprawdzania poprawności lub testowania , aby dowiedzieć się więcej o właściwościach tego obiektu. Jeśli nie zostanie ona podana, usługa Automated ML używa innych wbudowanych metod, aby zasugerować najlepszy model do użycia na potrzeby wnioskowania.

Limity

Klucz	Typ	Opis	Dozwolone wartości	Wartość domyślna
`enable_early_termination`	boolean	Określa, czy należy włączyć zakończenie eksperymentu, jeśli wynik utraty nie poprawi się po liczbie iteracji "x". W zadaniu zautomatyzowanego uczenia maszynowego nie zastosowano wcześniejszego zatrzymywania w pierwszych 20 iteracji. Wczesne okno zatrzymywania rozpoczyna się dopiero po pierwszych 20 iteracji.	`true`, `false`	`true`
`max_concurrent_trials`	liczba całkowita	Maksymalna liczba prób (zadań podrzędnych), które zostaną wykonane równolegle. Zdecydowanie zaleca się ustawienie liczby współbieżnych przebiegów na liczbę węzłów w klastrze (obliczenia aml zdefiniowane w programie `compute`).		`1`
`max_trials`	liczba całkowita	Reprezentuje maksymalną liczbę prób, które zadanie zautomatyzowanego uczenia maszynowego może próbować uruchomić algorytm trenowania z inną kombinacją hiperparametrów. Jego wartość domyślna jest ustawiona na 1000. Jeśli `enable_early_termination` jest zdefiniowana, liczba prób używanych do uruchamiania algorytmów szkoleniowych może być mniejsza.		`1000`
`max_cores_per_trial`	liczba całkowita	Reprezentuje maksymalną liczbę rdzeni na, które są dostępne do użycia przez każdą wersję próbną. Jego wartość domyślna jest ustawiona na -1, co oznacza, że wszystkie rdzenie są używane w procesie.		`-1`
`timeout_minutes`	liczba całkowita	Maksymalny czas w minutach, który może potrwać przesłane zadanie zautomatyzowanego uczenia maszynowego. Po upływie określonego czasu zadanie zostanie zakończone. Ten limit czasu obejmuje konfigurację, cechowanie, przebiegi trenowania, ensembling i wyjaśnienie modelu (jeśli podano) wszystkich prób. Należy pamiętać, że nie obejmuje on błędów i możliwości wyjaśnienia modelu uruchamianych na końcu procesu, jeśli zadanie nie zostanie ukończone, `timeout_minutes` ponieważ te funkcje są dostępne po zakończeniu wszystkich prób (zadań podrzędnych). Jego wartość domyślna jest ustawiona na 360 minut (6 godzin). Aby określić limit czasu mniejszy niż lub równy 1 godzinę (60 minut), użytkownik powinien upewnić się, że rozmiar zestawu danych nie jest większy niż 10 000 000 (kolumna czasu wierszy) lub wyniki błędu.		`360`
`trial_timeout_minutes`	liczba całkowita	Maksymalny czas w minutach, przez który każda wersja próbna (zadanie podrzędne) przesłanego zadania zautomatyzowanego uczenia maszynowego może zostać uruchomiona. Po upływie określonego czasu zadanie podrzędne zostanie zakończone.		`30`
`exit_score`	float	Wynik do osiągnięcia przez eksperyment. Eksperyment kończy się po osiągnięciu określonego wyniku. Jeśli nie określono (bez kryteriów), eksperyment jest uruchamiany, dopóki nie zostaną wykonane dalsze postępy w zdefiniowanym `primary metric`obiekcie .

Prognozowania

Klucz	Typ	Opis	Dozwolone wartości	Wartość domyślna
`time_column_name`	ciąg	Wymagane Nazwa kolumny w zestawie danych, która odpowiada osi czasowej każdej serii czasowej. Wejściowy zestaw danych do trenowania, walidacji lub testu musi zawierać tę kolumnę, jeśli zadanie to `forecasting`. Jeśli nie podano lub ustawiono wartość `None`, zadanie automatycznego prognozowania uczenia maszynowego zgłasza błąd i kończy eksperyment.
`forecast_horizon`	ciąg lub liczba całkowita	Maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. Te jednostki są oparte na wnioskowanym interwale czasu danych treningowych (np. co miesiąc, co tydzień), którego prognoza używa do przewidywania. Jeśli jest ona ustawiona na Wartość Brak lub `auto`, jego wartość domyślna jest ustawiona na 1, co oznacza "t+1" z ostatniego znacznika czasu t w danych wejściowych.	`auto`, [int]	1
`frequency`	ciąg	Częstotliwość, z jaką jest pożądane generowanie prognozy, na przykład codziennie, co tydzień, co rok itp. Jeśli nie zostanie określona lub ustawiona na Wartość Brak, jego wartość domyślna zostanie wywnioskowana z indeksu czasu zestawu danych. Użytkownik może ustawić jego wartość większą niż wywnioskowana częstotliwość zestawu danych, ale nie mniejsza niż. Jeśli na przykład częstotliwość zestawu danych jest dzienna, może przyjmować wartości takie jak codziennie, co tydzień, co miesiąc, ale nie co godzinę, ponieważ liczba godzin jest mniejsza niż codziennie (24 godziny). Aby uzyskać więcej informacji, zapoznaj się z dokumentacją biblioteki pandas .		`None`
`time_series_id_column_names`	ciąg lub lista(ciągi)	Nazwy kolumn w danych, które mają być używane do grupowania danych w wielu szeregach czasowych. Jeśli time_series_id_column_names nie jest zdefiniowana lub ustawiona na Wartość Brak, zautomatyzowane uczenie maszynowe używa logiki automatycznego wykrywania do wykrywania kolumn.		`None`
`feature_lags`	ciąg	Reprezentuje, czy użytkownik chce automatycznie wygenerować opóźnienia dla podanych funkcji liczbowych. Wartość domyślna to `auto`, co oznacza, że zautomatyzowane uczenie maszynowe używa heurystyki opartej na autokoreracji, aby automatycznie wybierać zamówienia opóźnienia i generować odpowiednie funkcje opóźnienia dla wszystkich funkcji liczbowych. "Brak" oznacza, że żadne opóźnienia nie są generowane dla żadnych funkcji liczbowych.	`'auto'`, `None`	`None`
`country_or_region_for_holidays`	ciąg	Kraj lub region, który ma być używany do generowania funkcji świątecznych. Te znaki powinny być reprezentowane w dwuliterowych kodach kraju/regionu ISO 3166, na przykład "USA" lub "GB". Listę kodów ISO można znaleźć pod adresem https://wikipedia.org/wiki/List_of_ISO_3166_country_codes.	`None`
`cv_step_size`	ciąg lub liczba całkowita	Liczba okresów między origin_time jednego składania CV a następną fałdą. Jeśli na przykład ustawiono wartość 3 dla danych dziennych, czas pochodzenia dla każdego składania wynosi trzy dni od siebie. Jeśli jest ona ustawiona na Wartość Brak lub nie została określona, jest ona domyślnie ustawiona na `auto` wartość . Jeśli jest to typ liczby całkowitej, minimalna wartość może zająć 1, a w przeciwnym razie zgłasza błąd.	`auto`, [int]	`auto`
`seasonality`	ciąg lub liczba całkowita	Sezonowość szeregów czasowych jako liczba całkowita wielokrotności częstotliwości serii. Jeśli nie określono sezonowości, jej wartość jest ustawiona na `'auto'`, co oznacza, że jest ona wnioskowana automatycznie przez zautomatyzowane uczenie maszynowe. Jeśli ten parametr nie jest ustawiony na `None`wartość , zautomatyzowane uczenie maszynowe przyjmuje szeregi czasowe jako niesezonowe, co jest równoważne ustawieniu jej jako wartości całkowitej 1.	`'auto'`, [int]	`auto`
`short_series_handling_config`	ciąg	Przedstawia sposób, w jaki zautomatyzowane uczenie maszynowe powinno obsługiwać krótki szereg czasowy, jeśli zostanie określony. Przyjmuje ona następujące wartości: `'auto'` : seria krótka jest dopełniona, jeśli nie ma długiej serii, w przeciwnym razie seria krótka zostanie porzucona. `'pad'`: wszystkie krótkie serie są dopełniane zerami. `'drop'`: wszystkie krótkie serie są porzucane. `None`: seria krótka nie jest modyfikowana.	`'auto'`, `'pad'`, `'drop'`, `None`	`auto`
`target_aggregate_function`	ciąg	Reprezentuje funkcję agregacji, która ma być używana do agregowania kolumny docelowej w szeregach czasowych i generowania prognoz z określoną częstotliwością (zdefiniowaną w elemencie `freq`). Jeśli ten parametr jest ustawiony, ale `freq` parametr nie jest ustawiony, zostanie zgłoszony błąd. Zostanie pominięta lub ustawiona na Wartość Brak, a następnie nie zastosowano agregacji.	`'sum'`, `'max'`, `'min'`, `'mean'`	`auto`
`target_lags`	ciąg lub liczba całkowita lub lista(liczba całkowita)	Liczba poprzednich/historycznych okresów do użycia w celu opóźnienia wartości docelowych na podstawie częstotliwości zestawu danych. Domyślnie ten parametr jest wyłączony. Ustawienie `'auto'` umożliwia systemowi używanie automatycznego opóźnienia opartego na heurystyce. Ta właściwość opóźnienia powinna być używana, gdy relacja między zmiennymi niezależnymi i zmienną zależną nie jest domyślnie skorelowana. Aby uzyskać więcej informacji, zobacz Funkcje opóźnione na potrzeby prognozowania szeregów czasowych w zautomatyzowanym uczeniu maszynowym.	`'auto'`, [int]	`None`
`target_rolling_window_size`	ciąg lub liczba całkowita	Liczba poprzednich obserwacji używanych do tworzenia średniej okna kroczącego kolumny docelowej. Podczas prognozowania ten parametr reprezentuje n okresów historycznych, które mają być używane do generowania prognozowanych wartości, <= rozmiar zestawu treningowego. Jeśli pominięto, n jest pełnym rozmiarem zestawu treningowego. Określ ten parametr, gdy chcesz wziąć pod uwagę tylko pewną ilość historii podczas trenowania modelu.	`'auto'`Liczba całkowita `None`	`None`
`use_stl`	ciąg	Składniki do wygenerowania przez zastosowanie dekompozycji STL w szeregach czasowych. Jeśli nie podano ani nie ustawiono wartości Brak, nie jest generowany żaden składnik szeregów czasowych. use_stl może przyjmować dwie wartości: `'season'` : w celu wygenerowania składnika sezonu. `'season_trend'` : w celu wygenerowania zarówno składników zautomatyzowanego uczenia maszynowego, jak i trendu.	`'season'`, `'seasontrend'`	`None`

trenowanie lub walidacja lub testowanie danych

Klucz	Typ	Opis	Dozwolone wartości	Wartość domyślna
`datastore`	ciąg	Nazwa magazynu danych, w którym dane są przekazywane przez użytkownika.
`path`	ciąg	Ścieżka, z której mają być ładowane dane. Może to być `file` ścieżka, `folder` ścieżka lub `pattern` ścieżki. `pattern` Określa wzorzec wyszukiwania umożliwiający globbing(`` i `*`) plików i folderów zawierających dane. Obsługiwane typy identyfikatorów URI to `azureml`, `https`, `wasbs`, `abfss`i `adl`. Aby uzyskać więcej informacji, zobacz Podstawowa składnia yaml , aby dowiedzieć się, jak używać formatu identyfikatora `azureml://` URI. Identyfikator URI lokalizacji pliku artefaktu. Jeśli ten identyfikator URI nie ma schematu (na przykład http:, azureml itp.), zostanie on uznany za odwołanie lokalne i plik, do który wskazuje, zostanie przekazany do domyślnego magazynu obiektów blob obszaru roboczego podczas tworzenia jednostki.
`type`	const	Typ danych wejściowych. Aby wygenerować modele przetwarzania obrazów, użytkownik musi wprowadzić oznaczone dane obrazu jako dane wejściowe do trenowania modelu w postaci tabeli MLTable.	`mltable`	`mltable`

Szkolenia

Klucz	Typ	Opis	Dozwolone wartości	Wartość domyślna
`allowed_training_algorithms`	list(ciąg)	Lista algorytmów prognozowania szeregów czasowych do wypróbowania jako podstawowy model trenowania modelu w eksperymencie. Jeśli pominięto lub ustawiono wartość Brak, wszystkie obsługiwane algorytmy są używane podczas eksperymentu, z wyjątkiem algorytmów określonych w `blocked_training_algorithms`elemecie .	`'auto_arima'`, `'prophet'`, `'naive'`,`'seasonal_naive'`, `'average'`, `'seasonal_average'`, `'exponential_smoothing'`, `'arimax'`, `'tcn_forecaster'`, `'elastic_net'`, `'gradient_boosting'`, `'decision_tree'`, `'knn'`, `'lasso_lars'`, `'sgd'`, `'random_forest'`, `'extreme_random_trees'`, `'light_gbm'`, `'xg_boost_regressor'`	`None`
`blocked_training_algorithms`	list(ciąg)	Lista algorytmów prognozowania szeregów czasowych, które nie są uruchamiane jako model podstawowy podczas trenowania modelu w eksperymencie. Jeśli pominięto lub ustawiono wartość Brak, wszystkie obsługiwane algorytmy są używane podczas trenowania modelu.	`'auto_arima'`, `'prophet'`, `'naive'`, `'seasonal_naive'`, `'average'`, `'seasonal_average'`, `'exponential_smoothing'`, `'arimax'`,`'tcn_forecaster'`, `'elastic_net'`, `'gradient_boosting'`, `'decision_tree'`, `'knn'`, `'lasso_lars'`, `'sgd'`, `'random_forest'`, `'extreme_random_trees'`, `'light_gbm'`, `'xg_boost_regressor'`	`None`
`enable_dnn_training`	boolean	Flaga włączania lub wyłączania dołączania modeli opartych na sieci DNN do wypróbowania podczas wybierania modelu.	`True`, `False`	`False`
`enable_model_explainability`	boolean	Reprezentuje flagę umożliwiającą włączenie możliwości objaśnienia modelu, takich jak znaczenie funkcji, najlepszego modelu ocenianego przez system zautomatyzowanego uczenia maszynowego.	`True`, `False`	`True`
`enable_vote_ensemble`	boolean	Flaga umożliwiająca włączanie lub wyłączanie atakowania niektórych modeli podstawowych przy użyciu algorytmu głosowania. Aby uzyskać więcej informacji na temat zespołów, zobacz Konfigurowanie automatycznego trenowania.	`true`, `false`	`true`
`enable_stack_ensemble`	boolean	Flaga umożliwiająca włączanie lub wyłączanie atakowania niektórych modeli bazowych przy użyciu algorytmu stosu. W zadaniach prognozowania ta flaga jest domyślnie wyłączona, aby uniknąć ryzyka nadmiernego dopasowania ze względu na mały zestaw treningowy używany w dopasowaniu meta ucznia. Aby uzyskać więcej informacji na temat zespołów, zobacz Konfigurowanie automatycznego trenowania.	`true`, `false`	`false`

cechowanie

Klucz	Typ	Opis	Dozwolone wartości	Wartość domyślna
`mode`	ciąg	Tryb cechowania używany przez zadanie zautomatyzowanego uczenia maszynowego. Ustawienie go na: `'auto'` wskazuje, czy krok cechowania powinien być wykonywany automatycznie `'off'` wskazuje, że nie ma cechowania<`'custom'` wskazuje, czy należy użyć dostosowanej cechalizacji. Uwaga: jeśli dane wejściowe są rozrzedane, nie można włączyć cechowania.	`'auto'`, `'off'`, `'custom'`	`None`
`blocked_transformers`	list(ciąg)	Lista nazw transformatorów, które mają być blokowane podczas kroku cechowania przez zautomatyzowane uczenie maszynowe, jeśli cechowanie `mode` jest ustawione na "niestandardowe".	`'text_target_encoder'`, `'one_hot_encoder'`, `'cat_target_encoder'`, `'tf_idf'`, `'wo_e_target_encoder'`, `'label_encoder'`, `'word_embedding'`, `'naive_bayes'`, `'count_vectorizer'`, `'hash_one_hot_encoder'`	`None`
`column_name_and_types`	object	Obiekt słownika składający się z nazw kolumn jako klucza dyktowego i typów funkcji używanych do aktualizowania przeznaczenia kolumn jako skojarzonej wartości, jeśli cechowanie `mode` jest ustawione na "niestandardowe".
`transformer_params`	object	Zagnieżdżony obiekt słownika składający się z nazwy transformatora jako klucza i odpowiadających parametrów dostosowywania w kolumnach zestawu danych do cechowania, jeśli cechowanie `mode` jest ustawione na "niestandardowe". Prognozowanie obsługuje `imputer` tylko przekształcanie na potrzeby dostosowywania. Zapoznaj się z column_transformers , aby dowiedzieć się, jak utworzyć parametry dostosowywania.		`None`

column_transformers

Klucz	Typ	Opis	Dozwolone wartości	Wartość domyślna
`fields`	list(ciąg)	Lista nazw kolumn, na których podano `transformer_params` , powinna być stosowana.
`parameters`	object	Obiekt słownika składający się z "strategii" jako klucza i wartości jako strategii imputacji. Więcej szczegółów na temat sposobu jego podania znajduje się w przykładach tutaj.

Dane wyjściowe zadania

Klucz	Typ	Opis	Dozwolone wartości	Wartość domyślna
`type`	ciąg	Typ danych wyjściowych zadania. Dla domyślnego `uri_folder` typu dane wyjściowe odpowiadają folderowi.	`uri_folder` , `mlflow_model`, `custom_model`	`uri_folder`
`mode`	ciąg	Tryb dostarczania plików wyjściowych do magazynu docelowego. W przypadku trybu instalacji odczytu i zapisu (`rw_mount`) katalog wyjściowy jest zainstalowanym katalogiem. W przypadku trybu przekazywania zapisywane pliki są przekazywane na końcu zadania.	`rw_mount`, `upload`	`rw_mount`

Jak uruchomić zadanie prognozowania za pośrednictwem interfejsu wiersza polecenia

az ml job create --file [YOUR_CLI_YAML_FILE] --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]

Share via