Udostępnij za pośrednictwem


ForecastingJob Klasa

Konfiguracja zadania prognozowania automatycznego uczenia maszynowego.

Zainicjuj nowe zadanie prognozowania automatycznego uczenia maszynowego.

Dziedziczenie
azure.ai.ml.entities._job.automl.tabular.automl_tabular.AutoMLTabular
ForecastingJob

Konstruktor

ForecastingJob(*, primary_metric: str | None = None, forecasting_settings: ForecastingSettings | None = None, **kwargs)

Parametry

primary_metric
Optional[str]
Wymagane

Podstawowa metryka do użycia na potrzeby wyboru modelu.

forecasting_settings
Optional[ForecastingSettings]
Wymagane

Ustawienia zadania prognozowania.

kwargs
Dict[str, Any]
Wymagane

Argumenty specyficzne dla zadania

Metody

dump

Zrzuty zawartości zadania do pliku w formacie YAML.

set_data

Definiowanie konfiguracji danych.

set_featurization

Definiowanie konfiguracji inżynierii cech.

set_forecast_settings

Zarządzanie parametrami używanymi przez zadania prognozowania.

set_limits

Ustaw limity dla zadania.

set_training

Metoda konfigurowania ustawień związanych z trenowaniem prognozy.

dump

Zrzuty zawartości zadania do pliku w formacie YAML.

dump(dest: str | PathLike | IO, **kwargs) -> None

Parametry

dest
Union[<xref:PathLike>, str, IO[AnyStr]]
Wymagane

Ścieżka lokalna lub strumień plików do zapisu zawartości YAML. Jeśli dest jest ścieżką pliku, zostanie utworzony nowy plik. Jeśli plik jest otwarty, plik zostanie zapisany bezpośrednio.

kwargs
dict

Dodatkowe argumenty do przekazania do serializatora YAML.

Wyjątki

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

set_data

Definiowanie konfiguracji danych.

set_data(*, training_data: Input, target_column_name: str, weight_column_name: str | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, n_cross_validations: str | int | None = None, cv_split_column_names: List[str] | None = None, test_data: Input | None = None, test_data_size: float | None = None) -> None

Parametry

training_data
Input

Dane szkoleniowe.

target_column_name
str

Nazwa kolumny docelowej.

weight_column_name
Optional[str]

Nazwa kolumny wagi, domyślnie ma wartość Brak

validation_data
Optional[Input]

Dane sprawdzania poprawności, domyślnie ma wartość Brak

validation_data_size
Optional[float]

Rozmiar danych sprawdzania poprawności, domyślnie ma wartość Brak

n_cross_validations
Optional[Union[str, int]]

n_cross_validations wartość domyślna to Brak

cv_split_column_names
Optional[List[str]]

cv_split_column_names wartość domyślna to Brak

test_data
Optional[Input]

Dane testowe, domyślnie ma wartość Brak

test_data_size
Optional[float]

Rozmiar danych testowych, domyślnie wartość Brak

Wyjątki

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

set_featurization

Definiowanie konfiguracji inżynierii cech.

set_featurization(*, blocked_transformers: List[BlockedTransformers | str] | None = None, column_name_and_types: Dict[str, str] | None = None, dataset_language: str | None = None, transformer_params: Dict[str, List[ColumnTransformer]] | None = None, mode: str | None = None, enable_dnn_featurization: bool | None = None) -> None

Parametry

blocked_transformers
Optional[List[Union[BlockedTransformers, str]]]

Lista nazw transformatorów, które mają być blokowane podczas cechowania, domyślnie ma wartość Brak

column_name_and_types
Optional[Dict[str, str]]

Słownik nazw kolumn i typów funkcji używany do aktualizowania przeznaczenia kolumny , domyślnie ma wartość Brak

dataset_language
Optional[str]

Trzy znaki kodu ISO 639-3 dla języków zawartych w zestawie danych. Języki inne niż angielski są obsługiwane tylko w przypadku korzystania z obliczeń z obsługą procesora GPU. Jeśli zestaw danych zawiera wiele języków, należy użyć language_code "mul". Aby znaleźć kody ISO 639-3 dla różnych języków, zobacz https://en.wikipedia.org/wiki/List_of_ISO_639-3_codes, domyślnie ma wartość Brak

transformer_params
Optional[Dict[str, List[ColumnTransformer]]]

Słownik transformatora i odpowiadających mu parametrów dostosowywania , domyślnie ma wartość Brak

mode
Optional[str]

"off", "auto", domyślnie "auto", wartość domyślna to None

enable_dnn_featurization
Optional[bool]

Określa, czy należy uwzględnić metody inżynierii cech opartej na sieci rozproszonej, domyślnie ma wartość None

Wyjątki

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

set_forecast_settings

Zarządzanie parametrami używanymi przez zadania prognozowania.

set_forecast_settings(*, time_column_name: str | None = None, forecast_horizon: str | int | None = None, time_series_id_column_names: str | List[str] | None = None, target_lags: str | int | List[int] | None = None, feature_lags: str | None = None, target_rolling_window_size: str | int | None = None, country_or_region_for_holidays: str | None = None, use_stl: str | None = None, seasonality: str | int | None = None, short_series_handling_config: str | None = None, frequency: str | None = None, target_aggregate_function: str | None = None, cv_step_size: int | None = None, features_unknown_at_forecast_time: str | List[str] | None = None) -> None

Parametry

time_column_name
Optional[str]

Nazwa kolumny czasu. Ten parametr jest wymagany podczas prognozowania w celu określenia kolumny datetime w danych wejściowych używanych do tworzenia szeregów czasowych i wnioskowania jego częstotliwości.

forecast_horizon

Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. Wartość domyślna to 1.

Jednostki są oparte na interwale czasu danych treningowych, np. miesięcznych, cotygodniowych, które prognostyk powinien przewidzieć. Gdy typ zadania jest prognozowany, ten parametr jest wymagany. Aby uzyskać więcej informacji na temat ustawiania parametrów prognozowania, zobacz Auto-train a time-series forecast model (Automatyczne trenowanie modelu prognozy szeregów czasowych).

time_series_id_column_names
Optional[Union[str, List[str]]]

Nazwy kolumn używanych do grupowania szeregów czasowych. Może służyć do tworzenia wielu serii. Jeśli nazwy kolumn identyfikatorów szeregów czasowych nie są zdefiniowane lub określone kolumny identyfikatorów nie identyfikują wszystkich serii w zestawie danych, identyfikatory szeregów czasowych zostaną automatycznie utworzone dla zestawu danych.

target_lags

Liczba poprzednich okresów do opóźnienia z kolumny docelowej. Domyślnie opóźnienia są wyłączone.

Podczas prognozowania ten parametr reprezentuje liczbę wierszy do opóźnienia wartości docelowych na podstawie częstotliwości danych. Jest to reprezentowane jako lista lub pojedyncza liczba całkowita. Opóźnienie powinno być używane, gdy relacja między zmiennymi niezależnymi i zmienną zależną nie jest domyślnie zgodna ani korelowana. Na przykład podczas próby prognozowania popytu na produkt popyt w dowolnym miesiącu może zależeć od ceny określonych towarów 3 miesiące wcześniej. W tym przykładzie możesz chcieć opóźnić docelową (zapotrzebowanie) negatywnie o 3 miesiące, aby model trenował w odpowiedniej relacji. Aby uzyskać więcej informacji, zobacz Auto-train a time-series forecast model (Automatyczne trenowanie modelu prognozy szeregów czasowych).

Uwaga dotycząca automatycznego wykrywania opóźnień docelowych i rozmiaru okna kroczącego. Zapoznaj się z odpowiednimi komentarzami w sekcji okna stopniowego. Użyjemy następnego algorytmu, aby wykryć optymalne opóźnienie docelowe i rozmiar okna kroczącego.

  1. Szacuj maksymalną kolejność opóźnień dla zaznaczenia funkcji wyszukiwania wstecz. W naszym przypadku jest to liczba okresów do następnego stopnia szczegółowości częstotliwości daty, tj. jeśli częstotliwość jest dzienna, będzie to tydzień (7), jeśli jest to tydzień, będzie to miesiąc (4). Te wartości pomnożone przez dwa są największymi możliwymi wartościami opóźnień/okien kroczących. W naszych przykładach rozważymy maksymalną kolejność opóźnienia wynoszącą odpowiednio 14 i 8.

  2. Utwórz serię zde sezonyzowaną, dodając składniki trendu i reszt. Zostanie to użyte w następnym kroku.

  3. Szacowanie funkcji PACF — częściowa funkcja korelacji automatycznej na danych z (2) i wyszukiwanie punktów, gdzie korelacja automatyczna jest znacząca, tj. jej wartość bezwzględna jest większa niż 1,96/square_root (maksymalna wartość opóźnienia), która odpowiada istotności 95%.

  4. Jeśli wszystkie punkty są znaczące, uważamy, że jest to silna sezonowość i nie tworzymy funkcji wstecz.

  5. Skanujemy wartości PACF od początku i wartość przed pierwszą nieistotną korelacją automatyczną wyznaczy opóźnienie. Jeśli pierwszy znaczący element (wartość skorelowana z samym sobą) następuje nieznacznie, opóźnienie będzie wynosić 0 i nie będziemy używać funkcji odnośnika wstecz.

feature_lags
Optional[str]

Flaga generowania opóźnień dla funkcji liczbowych z funkcją "auto" lub Brak.

target_rolling_window_size
Optional[Union[str, int]]

Liczba poprzednich okresów użytych do utworzenia 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, gdy chcesz wziąć pod uwagę tylko pewną ilość historii podczas trenowania modelu. W przypadku ustawienia wartości "auto" okno stopniowe będzie szacowane jako ostatnia wartość, w której wartość PACF jest większa niż próg istotności. Aby uzyskać szczegółowe informacje, zobacz sekcję target_lags.

country_or_region_for_holidays
Optional[str]

Kraj/region używany do generowania funkcji wakacji. Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB".

use_stl

Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych. use_stl może przyjmować trzy wartości: Brak (wartość domyślna) — brak dekompozycji stl, "season" — tylko generuj składnik sezonu i season_trend — generuj zarówno składniki sezonu, jak i trendu.

seasonality
Optional[Union[int, str]

Ustaw sezonowość szeregów czasowych jako liczbę całkowitą częstotliwości serii. Jeśli sezonowość jest ustawiona na "auto", zostanie ona wywnioskowana. Jeśli ustawiono wartość Brak, zakłada się, że szereg czasowy jest niezgodny z sezonowością, która jest równoważna sezonowości=1.

short_series_handling_config

Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML.

Możliwe wartości: "auto" (wartość domyślna), "pad", "drop" i None.

  • automatyczna seria krótka zostanie wypełniona, jeśli nie ma długiej serii,

w przeciwnym razie seria krótka zostanie porzucona.

  • pad wszystkie krótkie serie zostaną wypełnione.
  • upuść wszystkie krótkie serie zostaną porzucone".
  • Żadna z krótkich serii nie zostanie zmodyfikowana.

Jeśli zostanie ustawiona wartość "pad", tabela zostanie wypełniona zerami i pustymi wartościami dla regresorów i wartości losowych dla wartości docelowej o średniej równej wartości docelowej mediany dla danego identyfikatora szeregów czasowych. Jeśli mediana jest większa lub równa zero, minimalna wartość wypełniona zostanie obcięty przez zero: Dane wejściowe:

Data

numeric_value

ciąg

Docelowego

2020-01-01

23

green

55

Dane wyjściowe przy założeniu, że minimalna liczba wartości to cztery:

Data

numeric_value

ciąg

Docelowego

2019-12-29

0

NA

55.1

2019-12-30

0

NA

55.6

2019-12-31

0

NA

54.5

2020-01-01

23

green

55

Uwaga: Mamy dwa parametry short_series_handling_configuration i starsze short_series_handling. Po ustawieniu obu parametrów są one synchronizowane, jak pokazano w poniższej tabeli (short_series_handling_configuration i short_series_handling dla zwięzłości są oznaczone odpowiednio jako handling_configuration i obsługa).

Obsługi

obsługa konfiguracji

wynikowehandling

wynikowa konfiguracja obsługi

Prawda

auto

Prawda

auto

Prawda

Pad

Prawda

auto

Prawda

drop

Prawda

auto

Prawda

Brak

Fałsz

Brak

Fałsz

auto

Fałsz

Brak

Fałsz

Pad

Fałsz

Brak

Fałsz

drop

Fałsz

Brak

Fałsz

Brak

Fałsz

Brak

frequency

Częstotliwość prognozowania.

Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozy jest domyślnie częstotliwością zestawu danych. Opcjonalnie można ustawić ją na większą (ale nie mniejszą) niż częstotliwość zestawu danych. Zagregujemy dane i wygenerujemy wyniki z częstotliwością prognozy. Na przykład w przypadku danych dziennych można ustawić częstotliwość na codziennie, co tydzień lub co miesiąc, ale nie godzinowo. Częstotliwość musi być aliasem przesunięcia biblioteki pandas. Aby uzyskać więcej informacji, zapoznaj się z dokumentacją biblioteki pandas: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects

target_aggregate_function

Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika. Jeśli target_aggregation_function jest ustawiona, ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean".

  • Wartości kolumny docelowej są agregowane na podstawie określonej operacji. Zazwyczaj suma jest odpowiednia dla większości scenariuszy.

  • Kolumny predyktora liczbowego w danych są agregowane według sumy, średniej, wartości minimalnej i wartości maksymalnej. W rezultacie zautomatyzowane uczenie maszynowe generuje nowe kolumny z sufiksem nazwy funkcji agregacji i stosuje wybraną operację agregacji.

  • W przypadku kolumn predyktora kategorycznego dane są agregowane według trybu, najbardziej widocznej kategorii w oknie.

  • Kolumny predyktora dat są agregowane według wartości minimalnej, maksymalnej wartości i trybu.

Freq

target_aggregation_function

Mechanizm regularnego instalowania danych

Brak (wartość domyślna)

Brak (wartość domyślna)

Agregacje nie są stosowane. Jeśli prawidłowa częstotliwość nie może zostać podniesiona, zostanie zgłoszony błąd.

Niektóre wartości

Brak (wartość domyślna)

Agregacje nie są stosowane. Jeśli liczba punktów danych jest niezgodna z parametrem togiven frequencygrid, wówczas 90%tych punktów zostanie zwrócony, w przeciwnym razie zostanie zgłoszony błąd.

Brak (wartość domyślna)

Funkcja agregacji

Błąd aboutmissingfrequencyparameter israised.

Niektóre wartości

Funkcja agregacji

Agregacja tofrequency przy użyciu funkcjiprovidedaggregation.

cv_step_size
Optional[int]

Liczba krosek między origin_time jednego składania CV a następną fałdą. Jeśli na przykład n_step = 3 dla danych dziennych, czas pochodzenia każdej krotnie będzie wynosić trzy dni od siebie.

features_unknown_at_forecast_time
Optional[Union[str, List[str]]]

Kolumny funkcji dostępne do trenowania, ale nieznane w momencie prognozowania/wnioskowania. Jeśli features_unknown_at_forecast_time jest ustawiona na pustą listę, zakłada się, że wszystkie kolumny funkcji w zestawie danych są znane w czasie wnioskowania. Jeśli ten parametr nie jest ustawiony, obsługa przyszłych funkcji nie jest włączona.

Wyjątki

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

set_limits

Ustaw limity dla zadania.

set_limits(*, enable_early_termination: bool | None = None, exit_score: float | None = None, max_concurrent_trials: int | None = None, max_cores_per_trial: int | None = None, max_nodes: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None, trial_timeout_minutes: int | None = None) -> None

Parametry

enable_early_termination
Optional[bool]

Czy włączyć wczesne zakończenie, jeśli wynik nie poprawia się w krótkim okresie, wartość domyślna to None.

Logika wczesnego zatrzymywania:

  • Brak wczesnego zatrzymywania dla pierwszych 20 iteracji (punktów orientacyjnych).

  • Wczesne zatrzymywanie rozpoczyna się od iteracji 21 i szuka iteracji early_stopping_n_iters

    (obecnie ustawiono wartość 10). Oznacza to, że pierwsza iteracja, w której może wystąpić zatrzymanie, to 31.

  • AutoML nadal planuje 2 iteracji zespołu PO wczesnym zatrzymaniu, co może spowodować wyższe wyniki.

  • Wczesne zatrzymywanie jest wyzwalane, jeśli wartość bezwzględna najlepszego wyniku obliczonego jest taka sama dla przeszłości

    early_stopping_n_iters iteracji, oznacza to, że w przypadku braku poprawy oceny dla iteracji early_stopping_n_iters.

exit_score
Optional[float]

Wynik docelowy eksperymentu. Eksperyment kończy się po osiągnięciu tego wyniku. Jeśli nie określono (bez kryteriów), eksperyment jest uruchamiany do momentu dalszego postępu w metryce podstawowej. Aby uzyskać więcej informacji na temat kryteriów zakończenia, zobacz ten artykuł , domyślnie ma wartość Brak

max_concurrent_trials
Optional[int]

Jest to maksymalna liczba iteracji, które zostaną wykonane równolegle. Wartość domyślna to 1.

  • Klastry AmlCompute obsługują jedną iterację uruchomioną na węzeł.

W przypadku wielu przebiegów nadrzędnych eksperymentu automatycznego uczenia maszynowego wykonywanych równolegle w jednym klastrze AmlCompute suma max_concurrent_trials wartości dla wszystkich eksperymentów powinna być mniejsza lub równa maksymalnej liczbie węzłów. W przeciwnym razie przebiegi będą kolejkowane do momentu udostępnienia węzłów.

  • Maszyna DSVM obsługuje wiele iteracji na węzeł. max_concurrent_trials Powinny

być mniejsze niż lub równe liczbie rdzeni na maszynie DSVM. W przypadku wielu eksperymentów uruchamianych równolegle na jednej maszynie DSVM suma max_concurrent_trials wartości wszystkich eksperymentów powinna być mniejsza lub równa maksymalnej liczbie węzłów.

  • Databricks — max_concurrent_trials powinna być mniejsza lub równa liczbie

węzły procesu roboczego w usłudze Databricks.

max_concurrent_trials nie dotyczy przebiegów lokalnych. Wcześniej ten parametr nosił nazwę concurrent_iterations.

max_cores_per_trial
Optional[int]

Maksymalna liczba wątków do użycia dla danej iteracji trenowania. Dopuszczalne wartości:

  • Większa niż 1 i mniejsza lub równa maksymalnej liczbie rdzeni w obiekcie docelowym obliczeniowym.

  • Równe -1, co oznacza użycie wszystkich możliwych rdzeni na iterację na przebieg podrzędny.

  • Wartość domyślna to 1.

max_nodes
Optional[int]

[Eksperymentalne] Maksymalna liczba węzłów do użycia na potrzeby trenowania rozproszonego.

  • W przypadku prognozowania każdy model jest trenowany przy użyciu węzłów max(2, int(max_nodes/max_concurrent_trials)).

  • W przypadku klasyfikacji/regresji każdy model jest trenowany przy użyciu węzłów max_nodes.

Uwaga — ten parametr jest w publicznej wersji zapoznawczej i może ulec zmianie w przyszłości.

max_trials
Optional[int]

Całkowita liczba różnych kombinacji algorytmów i parametrów do testowania podczas eksperymentu zautomatyzowanego uczenia maszynowego. Jeśli nie zostanie określony, wartość domyślna to 1000 iteracji.

timeout_minutes
Optional[int]

Maksymalny czas w minutach, jaki wszystkie iteracji połączone mogą potrwać przed zakończeniem eksperymentu. Jeśli nie zostanie określony, domyślny limit czasu eksperymentu wynosi 6 dni. Aby określić limit czasu mniejszy niż lub równy 1 godzinę, upewnij się, że rozmiar zestawu danych nie jest większy niż 10 000 000 (kolumna times wierszy) lub wyniki błędu, domyślnie wartość Brak

trial_timeout_minutes
Optional[int]

Maksymalny czas w minutach, przez który każda iteracja może zostać uruchomiona przed jej zakończeniem. Jeśli nie zostanie określona, zostanie użyta wartość 1 miesiąca lub 43200 minut, domyślnie wartość Brak

Wyjątki

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

set_training

Metoda konfigurowania ustawień związanych z trenowaniem prognozy.

set_training(*, enable_onnx_compatible_models: bool | None = None, enable_dnn_training: bool | None = None, enable_model_explainability: bool | None = None, enable_stack_ensemble: bool | None = None, enable_vote_ensemble: bool | None = None, stack_ensemble_settings: StackEnsembleSettings | None = None, ensemble_model_download_timeout: int | None = None, allowed_training_algorithms: List[str] | None = None, blocked_training_algorithms: List[str] | None = None, training_mode: str | TrainingMode | None = None) -> None

Parametry

enable_onnx_compatible_models

Czy włączyć lub wyłączyć wymuszanie modeli zgodnych z programem ONNX. Wartość domyślna to False. Aby uzyskać więcej informacji na temat programu Open Neural Network Exchange (ONNX) i usługi Azure Machine Learning, zobacz ten artykuł.

enable_dnn_training
Optional[bool]

Czy należy uwzględnić modele oparte na sieci rozproszonej podczas wybierania modelu. Jednak wartość domyślna to True dla zadań równoważenia obciążenia sieciowego sieci DNN i jest to wartość False dla wszystkich innych zadań rozwiązania AutoML.

enable_model_explainability

Czy włączyć wyjaśnienie najlepszego modelu automatycznego uczenia maszynowego na końcu wszystkich iteracji trenowania automatycznego uczenia maszynowego. Aby uzyskać więcej informacji, zobacz Interpretowanie: wyjaśnienia modelu w zautomatyzowanym uczeniu maszynowym. , domyślnie ma wartość Brak

enable_stack_ensemble

Czy włączyć/wyłączyć iterację StackEnsemble. Jeśli flaga enable_onnx_compatible_models jest ustawiona, iteracja StackEnsemble zostanie wyłączona. Podobnie w przypadku zadań Timeseries iteracja StackEnsemble zostanie domyślnie wyłączona, aby uniknąć ryzyka nadmiernego dopasowania z powodu małego zestawu treningowego używanego w dopasowywaniu meta ucznia. Aby uzyskać więcej informacji na temat zestawów, zobacz Konfiguracja zespołu , domyślnie to Brak

enable_vote_ensemble

Czy włączyć/wyłączyć iterację VotingEnsemble. Aby uzyskać więcej informacji na temat zestawów, zobacz Konfiguracja zespołu , domyślnie to Brak

stack_ensemble_settings
Optional[StackEnsembleSettings]

Ustawienia iteracji StackEnsemble domyślnie mają wartość Brak

ensemble_model_download_timeout
Optional[int]

Podczas generowania modeli VotingEnsemble i StackEnsemble pobiera się wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu, wartość domyślna to None

allowed_training_algorithms
Optional[List[str]]

Lista nazw modeli do wyszukiwania eksperymentu. Jeśli nie zostanie określony, wszystkie modele obsługiwane dla zadania są używane z wyłączeniem wszystkich określonych w blocked_training_algorithms lub przestarzałych modelach TensorFlow, domyślnie ma wartość Brak

blocked_training_algorithms
Optional[List[str]]

Lista algorytmów, które mają być ignorowane dla eksperymentu, domyślnie ma wartość Brak

training_mode

[Eksperymentalne] Tryb trenowania do użycia. Możliwe wartości to:

  • distributed — umożliwia trenowanie rozproszone dla obsługiwanych algorytmów.

  • non_distributed — wyłącza trenowanie rozproszone.

  • auto — obecnie jest taka sama jak non_distributed. W przyszłości może to ulec zmianie.

Uwaga: ten parametr jest w publicznej wersji zapoznawczej i może ulec zmianie w przyszłości.

Wyjątki

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

Atrybuty

base_path

Ścieżka podstawowa zasobu.

Zwraca

Ścieżka podstawowa zasobu.

Typ zwracany

str

creation_context

Kontekst tworzenia zasobu.

Zwraca

Metadane tworzenia zasobu.

Typ zwracany

featurization

Pobierz ustawienia cech tabelarycznych dla zadania rozwiązania AutoML.

Zwraca

Ustawienia cech tabelarycznych dla zadania rozwiązania AutoML

Typ zwracany

forecasting_settings

Zwróć ustawienia prognozy.

Zwraca

ustawienia prognozy.

Typ zwracany

id

Identyfikator zasobu.

Zwraca

Identyfikator globalny zasobu, identyfikator usługi Azure Resource Manager (ARM).

Typ zwracany

inputs

limits

Pobierz limity tabelaryczne dla zadania rozwiązania AutoML.

Zwraca

Limity tabelaryczne zadania rozwiązania AutoML

Typ zwracany

log_files

Pliki wyjściowe zadania.

Zwraca

Słownik nazw dzienników i adresów URL.

Typ zwracany

log_verbosity

Uzyskaj szczegółowość dziennika dla zadania rozwiązania AutoML.

Zwraca

szczegółowość dziennika dla zadania rozwiązania AutoML

Typ zwracany

<xref:LogVerbosity>

outputs

primary_metric

Zwróć podstawową metryki, która ma być używana do wyboru modelu.

Zwraca

Podstawowa metryka wyboru modelu.

Typ zwracany

status

Stan zadania.

Zwracane typowe wartości to "Running", "Completed" i "Failed". Wszystkie możliwe wartości to:

  • NotStarted — jest to stan tymczasowy, w przypadku którego przed przesłaniem do chmury znajdują się obiekty Uruchom po stronie klienta.

  • Uruchamianie — uruchomienie zostało rozpoczęte w chmurze. Obiekt wywołujący ma w tym momencie identyfikator uruchomienia.

  • Aprowizacja — obliczenia na żądanie są tworzone dla danego przesłania zadania.

  • Przygotowywanie — środowisko uruchomieniowe jest przygotowywane i znajduje się w jednym z dwóch etapów:

    • Kompilacja obrazu platformy Docker

    • Konfiguracja środowiska conda

  • W kolejce — zadanie jest kolejkowane w docelowym obiekcie obliczeniowym. Na przykład w usłudze BatchAI zadanie jest w stanie w kolejce

    podczas oczekiwania na gotowość wszystkich żądanych węzłów.

  • Uruchomione — zadanie zostało uruchomione na docelowym obiekcie obliczeniowym.

  • Finalizowanie — wykonywanie kodu użytkownika zostało ukończone, a przebieg znajduje się na etapach przetwarzania końcowego.

  • CancelRequested — zażądano anulowania zadania.

  • Ukończono — przebieg został ukończony pomyślnie. Obejmuje to zarówno wykonywanie kodu użytkownika, jak i uruchamianie

    etapy przetwarzania końcowego.

  • Niepowodzenie — przebieg zakończył się niepowodzeniem. Zazwyczaj właściwość Error w przebiegu zawiera szczegółowe informacje o przyczynie.

  • Anulowano — następuje żądanie anulowania i wskazuje, że przebieg został pomyślnie anulowany.

  • NotResponding — w przypadku przebiegów z włączonymi pulsami nie wysłano ostatnio pulsu.

Zwraca

Stan zadania.

Typ zwracany

studio_url

Punkt końcowy programu Azure ML Studio.

Zwraca

Adres URL strony szczegółów zadania.

Typ zwracany

task_type

Pobierz typ zadania.

Zwraca

Typ zadania do uruchomienia. Możliwe wartości to: "classification", "regression", "forecasting".

Typ zwracany

str

test_data

Pobieranie danych testowych.

Zwraca

Testowanie danych wejściowych

Typ zwracany

training

Zwróć ustawienia trenowania prognozy.

Zwraca

ustawienia trenowania.

Typ zwracany

<xref:azure.ai.ml.automl.ForecastingTrainingSettings>

training_data

Pobieranie danych treningowych.

Zwraca

Dane wejściowe danych szkoleniowych

Typ zwracany

type

Typ zadania.

Zwraca

Typ zadania.

Typ zwracany

validation_data

Pobieranie danych weryfikacji.

Zwraca

Dane wejściowe danych walidacji

Typ zwracany