Udostępnij za pośrednictwem

Schemat YAML polecenia zautomatyzowanego prognozowania uczenia maszynowego (wersja 2)

  • Artykuł

DOTYCZY: Rozszerzenie interfejsu wiersza polecenia platformy Azure ml w wersji 2 (bieżąca)

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

Uwaga

Składnia YAML szczegółowo 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 dla starszych wersji rozszerzeń można znaleźć pod adresem https://azuremlschemasprod.azureedge.net/.

Składnia YAML

Klucz Type Opis Dozwolone wartości Domyślna wartość
$schema string 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 schematu i uzupełniania zasobów.
compute string Wymagany.
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 obszarze roboczym usługi Azure Machine Learning Studio użytkownika.		 1. wzorzec [^azureml:<compute_name>] do korzystania z istniejących zasobów obliczeniowych,
2.'local' do korzystania z wykonywania lokalnego		 'local'
limits obiekt 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 string Nazwa przesłanego zadania zautomatyzowanego uczenia maszynowego.
Musi być unikatowa we wszystkich zadaniach w obszarze roboczym. Jeśli nie zostanie określony, usługa Azure Machine Learning automatycznie wyszukuje identyfikator GUID dla nazwy.
description string Opis zadania zautomatyzowanego uczenia maszynowego.
display_name string Nazwa zadania, które użytkownik chce wyświetlić w interfejsie użytkownika programu Studio. Może to być nietypowe w obszarze roboczym. Jeśli zostanie pominięty, usługa Azure Machine Learning automatycznie ocenia identyfikator przymiotnika do odczytu przez człowieka dla nazwy wyświetlanej.
experiment_name string Nazwa eksperymentu.
Eksperymenty to rekordy zadań trenowania uczenia maszynowego na platformie Azure. Eksperymenty zawierają wyniki przebiegów wraz z dziennikami, wykresami i wykresami. Rekord uruchomienia każdego zadania jest zorganizowany w ramach odpowiedniego eksperymentu na karcie "Eksperymenty" w studio.		 Nazwa katalogu roboczego, w którym został utworzony
environment_variables obiekt Obiekt słownika zmiennych środowiskowych do ustawienia w procesie, w którym jest wykonywane polecenie.
outputs obiekt 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 obiekt Obiekt słownika zawierający dzienniki wykonywania zadania zautomatyzowanego uczenia maszynowego
log_verbosity string 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 Wymagany.
Typ zadania.		 automl automl
task const Wymagany.
Typ zadania zautomatyzowanego uczenia maszynowego do wykonania.		 forecasting forecasting
target_column_name string Wymagany.
Reprezentuje nazwę kolumny, która ma być prognozowana. Zadanie zautomatyzowanego uczenia maszynowego zgłasza błąd, jeśli nie zostanie określony.
featurization obiekt Obiekt słownika definiujący konfigurację cech niestandardowych. W przypadku, gdy nie zostanie utworzony, konfiguracja zautomatyzowanego uczenia maszynowego stosuje automatyczne cechowanie. Zobacz cechowanie , aby zobaczyć właściwości tego obiektu.
forecasting obiekt Obiekt słownika definiujący ustawienia zadania prognozowania. Zobacz prognozowanie , aby dowiedzieć się więcej o właściwościach tego obiektu.
n_cross_validations ciąg lub liczba całkowita Liczba krzyżowych walidacji do wykonania podczas wyboru modelu/potoku, jeśli validation_data nie zostanie określona.
W przypadku, gdy parametr i validation_data ten parametr nie jest podany lub ustawiony na Nonewartość , następnie zadanie zautomatyzowanego uczenia maszynowego ustawiło go domyślnie auto . Jeśli opcja distributed_featurization jest włączona i validation_data nie jest określona, jest ona domyślnie ustawiona na 2.		 'auto', [int] None
primary_metric string Metryka zoptymalizowana pod kątem wyboru modelu prognozowania szeregów czasowych.
Jeśli allowed_training_algorithms element "tcn_forecaster" ma być używany do trenowania, funkcja Automated ML 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 obiekt Obiekt słownika definiujący konfigurację używaną podczas trenowania modelu.
Sprawdź trenowanie , aby dowiedzieć się więcej o właściwościach tego obiektu.
training_data obiekt Wymagane
Obiekt słownika zawierający konfigurację 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 lokalnego pliku lub folderu jako tabeli MLTable(np. Input(mltable=MLTable(local_path="./data").). Należy podać ten obiekt. Jeśli funkcja docelowa nie jest obecna w pliku źródłowym, funkcja Automated ML zgłasza błąd. Sprawdź dane treningowe lub weryfikacyjne lub testowe , aby dowiedzieć się więcej o właściwościach tego obiektu.
validation_data obiekt Obiekt słownika zawierający konfigurację mlTable definiujący dane weryfikacji, które mają być używane w ramach eksperymentu zautomatyzowanego uczenia maszynowego na potrzeby krzyżowego sprawdzania poprawności. Powinien składać się zarówno z niezależnych funkcji/kolumn, jak i funkcji docelowej/kolumny, jeśli ten obiekt jest udostępniany. Przykłady w danych szkoleniowych i danych walidacji nie mogą nakładać się na siebie.
Zobacz trenowanie lub sprawdzanie poprawności lub danych testowych, 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 walidacji z danych treningowych zdefiniowanych w training_data obiekcie.
test_data obiekt Obiekt słownika zawierający konfigurację mlTable definiujący dane testowe, które mają być używane w przebiegu testu 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 treningowe lub weryfikacyjne lub testowe , aby dowiedzieć się więcej o właściwościach tego obiektu. Jeśli nie zostanie podana, usługa Automated ML używa innych wbudowanych metod, aby zasugerować najlepszy model do użycia na potrzeby wnioskowania.

Limity

Klucz Type Opis Dozwolone wartości Domyślna wartość
enable_early_termination boolean Określa, czy należy włączyć zakończenie eksperymentu, jeśli wynik straty nie poprawi się po "x" liczby iteracji.
W zadaniu zautomatyzowanego uczenia maszynowego nie zastosowano wczesnego zatrzymywania w pierwszych 20 iteracji. Wczesne okno zatrzymywania rozpoczyna się dopiero po pierwszych 20 iteracji.		 true, false true
max_concurrent_trials integer Maksymalna liczba prób (zadań podrzędnych), które będą wykonywane równolegle. Zdecydowanie zaleca się ustawienie liczby współbieżnych przebiegów na liczbę węzłów w klastrze (obliczenia aml zdefiniowane w pliku compute). 1
max_trials integer 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 trenowania może być mniejsza. 1000
max_cores_per_trial integer Reprezentuje maksymalną liczbę rdzeni dostępnych 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 integer Maksymalny czas w minutach, jaki 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 krótszy lub równy 1 godzinę (60 minut), użytkownik powinien upewnić się, że rozmiar zestawu danych nie jest większy niż 10 000 000 (wiersze kolumny czasu) lub wyniki błędu.		 360
trial_timeout_minutes integer Maksymalny czas w minutach, przez który może zostać uruchomiona każda wersja próbna (zadanie podrzędne) przesłanego zadania zautomatyzowanego uczenia maszynowego. Po upływie określonego czasu zadanie podrzędne zostanie zakończone. 30
exit_score liczba zmiennoprzecinkowa Wynik do osiągnięcia przez eksperyment. Eksperyment kończy się po osiągnięciu określonego wyniku. Jeśli nie zostanie określony (brak kryteriów), eksperyment zostanie uruchomiony do momentu, aż nie zostanie wykonany żaden dalszy postęp w zdefiniowanym primary metricobiekcie .

prognozowanie

Klucz Type Opis Dozwolone wartości Domyślna wartość
time_column_name string Wymagane
Nazwa kolumny w zestawie danych, która odpowiada osi czasu każdej serii czasowej. Wejściowy zestaw danych do trenowania, sprawdzania poprawności lub testu musi zawierać tę kolumnę, jeśli zadanie to forecasting. Jeśli nie podano lub ustawiono Nonewartości , 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 wywnioskowanym interwale czasu danych treningowych (np. co miesiąc, co tydzień), którego prognostyk używa do przewidywania. Jeśli jest ustawiona 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 string 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. Na przykład jeśli częstotliwość zestawu danych jest dzienna, może przyjmować wartości takie jak codziennie, co tydzień, co miesiąc, ale nie co godzinę, ponieważ wartość godzinowa 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 wiele szeregów 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 string 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 autokorrelacji, aby automatycznie wybierać zamówienia opóźnień i generować odpowiednie funkcje opóźnień dla wszystkich funkcji liczbowych. "Brak" oznacza, że żadne opóźnienia nie są generowane dla żadnych funkcji liczbowych. 'auto', None None
country_or_region_for_holidays string Kraj lub region, który ma być używany do generowania funkcji wakacji. Te znaki powinny być reprezentowane w dwuliterowych kodach kraju/regionu ISO 3166, na przykład "USA" lub "GB". Listę kodów ISO można znaleźć na stronie https://wikipedia.org/wiki/List_of_ISO_3166_country_codes. None
cv_step_size ciąg lub liczba całkowita Liczba krosek między origin_time z jednym fałszem CV a następnym fałszem. Jeśli na przykład ustawiono wartość 3 dla danych dziennych, czas pochodzenia dla każdego składania wynosi trzy dni. Jeśli zostanie ustawiona wartość Brak lub nie zostanie określona, zostanie ona domyślnie ustawiona na auto wartość . Jeśli jest to typ liczb całkowitych, minimalna wartość może potrwać 1. W przeciwnym razie zgłasza błąd. auto, [int] auto
seasonality ciąg lub liczba całkowita Sezonowość szeregów czasowych jako liczba całkowita wielokrotności częstotliwości serii. Jeśli sezonowość nie jest określona, jej wartość jest ustawiona na 'auto', co oznacza, że jest automatycznie wnioskowana przez zautomatyzowane uczenie maszynowe. Jeśli ten parametr nie jest ustawiony na Nonewartość , zautomatyzowane uczenie maszynowe zakłada szeregi czasowe jako niesezonowe, co jest równoważne ustawieniu go jako wartości całkowitej 1. 'auto', [int] auto
short_series_handling_config string Przedstawia sposób, w jaki zautomatyzowane uczenie maszynowe powinno obsługiwać krótki szereg czasowy, jeśli zostanie określony. Przyjmuje następujące wartości:
  • 'auto' : seria krótka jest dopełniona, jeśli nie ma długiej serii, w przeciwnym razie seria krótka zostanie porzucona.
  • 'pad': wszystkie krótkie serie są wypełnione zerami.
  • 'drop': wszystkie krótkie serie są porzucane.
  • None: seria krótka nie jest modyfikowana.
    		 'auto', , 'pad', , 'drop'None auto
    target_aggregate_function string 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 pominięty lub ustawiony na 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 używanych do 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 a 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 wcześniejszych obserwacji używanych do tworzenia średniej okna kroczącego kolumny docelowej. Podczas prognozowania ten parametr reprezentuje n okresów historycznych, które mają być używane do generowania wartości prognozowanych, <= rozmiar zestawu treningowego. Jeśli pominięto, n jest pełnym rozmiarem zestawu treningowego. Określ ten parametr, jeśli chcesz wziąć pod uwagę tylko pewną ilość historii podczas trenowania modelu. 'auto'liczba całkowita None None
    use_stl string 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 obu sezonów zautomatyzowanego uczenia maszynowego i składników trendu.    		 'season', 'seasontrend' None

    trenowanie lub walidacja lub dane testowe

    Klucz Type Opis Dozwolone wartości Domyślna wartość
    datastore string Nazwa magazynu danych, w którym dane są przekazywane przez użytkownika.
    path string Ścieżka, z której mają zostać załadowane dane. Może to być file ścieżka, folder ścieżka lub pattern ścieżki.
    pattern Określa wzorzec wyszukiwania, aby umożliwić globbing(* i **) plików i folderów zawierających dane. Obsługiwane typy identyfikatorów URI to azureml, , httpswasbs, abfssi adl. Aby uzyskać więcej informacji, zobacz Podstawowa składnia yaml, aby zrozumieć, 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, 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 dane obrazu oznaczone etykietą jako dane wejściowe do trenowania modelu w postaci tabeli MLTable. mltable mltable

    Szkolenie 

    Klucz Type Opis Dozwolone wartości Domyślna wartość
    allowed_training_algorithms list(ciąg) Lista algorytmów prognozowania szeregów czasowych do wypróbowania jako modelu podstawowego na potrzeby trenowania modelu w eksperymencie. Jeśli zostanie pominięty lub ustawiony na Wartość Brak, wszystkie obsługiwane algorytmy są używane podczas eksperymentu, z wyjątkiem algorytmów określonych w elem blocked_training_algorithms. '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 zostanie pominięty lub ustawiony na Wartość Brak, wszystkie obsługiwane algorytmy są używane podczas trenowania modelu. 'auto_arima', 'prophet', , 'seasonal_naive''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 rozproszonej do wypróbowania podczas wyboru modelu. True, False False
    enable_model_explainability boolean Reprezentuje flagę umożliwiającą włączenie możliwości wyjaśnienia modelu, takich jak ważność cech, najlepszego modelu ocenianego przez zautomatyzowany system uczenia maszynowego. True, False True
    enable_vote_ensemble boolean Flaga umożliwiająca włączanie lub wyłączanie wyzwalania 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 wyzwalania niektórych modeli bazowych przy użyciu algorytmu stosu. W zadaniach prognozowania ta flaga jest domyślnie wyłączona, aby uniknąć ryzyka nadmiernego dopasowania z powodu małego zestawu szkoleniowego używanego w dopasowaniu metauuczenia. Aby uzyskać więcej informacji na temat zespołów, zobacz Konfigurowanie automatycznego trenowania. true, false false

    cechowanie

    Klucz Type Opis Dozwolone wartości Domyślna wartość
    mode string 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 cechyzacji.

    Uwaga: jeśli dane wejściowe są rozrzedłe, nie można włączyć cechowania.    		 'auto', , 'off''custom' None
    blocked_transformers list(ciąg) Lista nazw transformatorów, które mają być blokowane podczas etapu cechowania przez zautomatyzowane uczenie maszynowe, jeśli cechowanie mode jest ustawione na "niestandardowe". 'text_target_encoder', 'one_hot_encoder', , , 'wo_e_target_encoder''count_vectorizer''tf_idf''label_encoder''word_embedding''naive_bayes''cat_target_encoder''hash_one_hot_encoder' None
    column_name_and_types obiekt 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 obiekt Zagnieżdżony obiekt słownika składający się z nazwy transformatora jako klucza i odpowiadających mu parametrów dostosowywania w kolumnach zestawu danych na potrzeby cechowania, jeśli cechowanie mode jest ustawione na wartość "niestandardowa".
    Prognozowanie obsługuje imputer tylko funkcję przekształcania na potrzeby dostosowywania.
    Zapoznaj się z column_transformers , aby dowiedzieć się, jak utworzyć parametry dostosowywania.    		 None

    column_transformers

    Klucz Type Opis Dozwolone wartości Domyślna wartość
    fields list(ciąg) Lista nazw kolumn, w których podano transformer_params , powinna być stosowana.
    parameters obiekt Obiekt słownika składający się z "strategii" jako klucza i wartości jako strategii imputacji.
    Więcej szczegółów na temat sposobu jego podania można znaleźć w przykładach tutaj.

    Dane wyjściowe zadania

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

    Jak uruchomić zadanie prognozowania za pomocą 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]