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.AutoMLTabularForecastingJob
Konstruktor
ForecastingJob(*, primary_metric: str | None = None, forecasting_settings: ForecastingSettings | None = None, **kwargs)Parametry
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) -> NoneParametry
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) -> NoneParametry
- training_data
- Input
Dane szkoleniowe.
- target_column_name
- str
Nazwa kolumny docelowej.
Rozmiar danych sprawdzania poprawności, domyślnie ma 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) -> NoneParametry
- blocked_transformers
- Optional[List[Union[BlockedTransformers, str]]]
Lista nazw transformatorów, które mają być blokowane podczas cechowania, domyślnie ma wartość Brak
Słownik nazw kolumn i typów funkcji używany do aktualizowania przeznaczenia kolumny , domyślnie ma wartość Brak
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
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) -> NoneParametry
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).
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.
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.
Utwórz serię zde sezonyzowaną, dodając składniki trendu i reszt. Zostanie to użyte w następnym kroku.
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%.
Jeśli wszystkie punkty są znaczące, uważamy, że jest to silna sezonowość i nie tworzymy funkcji wstecz.
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.
Flaga generowania opóźnień dla funkcji liczbowych z funkcją "auto" lub Brak.
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.
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.
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.
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.
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) -> NoneParametry
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.
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
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_trialsPowinny
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_trialspowinna 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.
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.
[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.
Całkowita liczba różnych kombinacji algorytmów i parametrów do testowania podczas eksperymentu zautomatyzowanego uczenia maszynowego. Jeśli nie zostanie określony, wartość domyślna to 1000 iteracji.
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
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) -> NoneParametry
- 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.
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
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
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
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
creation_context
featurization
Pobierz ustawienia cech tabelarycznych dla zadania rozwiązania AutoML.
Zwraca
Ustawienia cech tabelarycznych dla zadania rozwiązania AutoML
Typ zwracany
forecasting_settings
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
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
test_data
training
Zwróć ustawienia trenowania prognozy.
Zwraca
ustawienia trenowania.
Typ zwracany
training_data
type
validation_data
Azure SDK for Python