DataDriftDetector Klasa

Odwołanie

Definiuje monitor dryfu danych, który może służyć do uruchamiania zadań dryfu danych w usłudze Azure Machine Learning.

Klasa DataDriftDetector umożliwia identyfikowanie dryfu między danym punktem odniesienia i docelowym zestawem danych. Obiekt DataDriftDetector jest tworzony w obszarze roboczym przez bezpośrednie określenie bazowych i docelowych zestawów danych. Aby uzyskać więcej informacji, zobacz https://aka.ms/datadrift.

Konstruktor Datadriftdetector.

Konstruktor DataDriftDetector służy do pobierania reprezentacji chmury obiektu DataDriftDetector skojarzonego z podanym obszarem roboczym.

Dziedziczenie: builtins.object

DataDriftDetector

Konstruktor

DataDriftDetector(workspace, name=None, baseline_dataset=None, target_dataset=None, compute_target=None, frequency=None, feature_list=None, alert_config=None, drift_threshold=None, latency=None)

Parametry

Nazwa	Opis
workspace Wymagane	Workspace Obszar roboczy, w którym ma zostać utworzony obiekt DataDriftDetector.
name	str Unikatowa nazwa obiektu DataDriftDetector. wartość domyślna: None
baseline_dataset	TabularDataset Zestaw danych do porównania docelowego zestawu danych. wartość domyślna: None
target_dataset	TabularDataset Zestaw danych do uruchamiania zadań adhoc lub zaplanowanych zadań DataDrift. Musi być szeregiem czasowym. wartość domyślna: None
compute_target	ComputeTarget lub str Opcjonalna nazwa usługi ComputeTarget lub ComputeTarget w usłudze Azure Machine Learning. DataDriftDetector utworzy docelowy obiekt obliczeniowy, jeśli nie zostanie określony. wartość domyślna: None
frequency	str Opcjonalna częstotliwość wskazująca częstotliwość uruchamiania potoku. Obsługuje "Dzień", "Tydzień" lub "Miesiąc". wartość domyślna: None
feature_list	list[str] Opcjonalne funkcje listy dozwolonych do uruchamiania wykrywania danychdrift włączone. Zadania DataDriftDetector będą uruchamiane we wszystkich funkcjach, jeśli `feature_list` nie zostaną określone. Lista funkcji może zawierać znaki, liczby, kreski i białe znaki. Długość listy musi być mniejsza niż 200. wartość domyślna: None
alert_config	AlertConfiguration Opcjonalny obiekt konfiguracji alertów dataDriftDetector. wartość domyślna: None
drift_threshold	float Opcjonalny próg umożliwiający włączenie alertów usługi DataDriftDetector. Wartość musi należeć do zakresu od 0 do 1. Wartość 0,2 jest używana, gdy określono wartość None (wartość domyślna). wartość domyślna: None
latency	int Opóźnienie w godzinach wyświetlania danych w zestawie danych. wartość domyślna: None
workspace Wymagane	Workspace Obszar roboczy, w którym ma zostać utworzony obiekt DataDriftDetector.
name Wymagane	str Unikatowa nazwa obiektu DataDriftDetector.
baseline_dataset Wymagane	TabularDataset Zestaw danych do porównania docelowego zestawu danych.
target_dataset Wymagane	TabularDataset Zestaw danych do uruchamiania zadań adhoc lub zaplanowanych zadań DataDrift. Musi być szeregiem czasowym.
compute_target Wymagane	ComputeTarget lub str Opcjonalna nazwa usługi ComputeTarget lub ComputeTarget w usłudze Azure Machine Learning. DataDriftDetector utworzy docelowy obiekt obliczeniowy, jeśli nie zostanie określony.
frequency Wymagane	str Opcjonalna częstotliwość wskazująca częstotliwość uruchamiania potoku. Obsługuje "Dzień", "Tydzień" lub "Miesiąc".
feature_list Wymagane	list[str] Opcjonalne funkcje listy dozwolonych do uruchamiania wykrywania danychdrift włączone. Zadania DataDriftDetector będą uruchamiane we wszystkich funkcjach, jeśli `feature_list` nie zostaną określone. Lista funkcji może zawierać znaki, liczby, kreski i białe znaki. Długość listy musi być mniejsza niż 200.
alert_config Wymagane	AlertConfiguration Opcjonalny obiekt konfiguracji alertów dataDriftDetector.
drift_threshold Wymagane	float Opcjonalny próg umożliwiający włączenie alertów usługi DataDriftDetector. Wartość musi należeć do zakresu od 0 do 1. Wartość 0,2 jest używana, gdy określono wartość None (wartość domyślna).
latency Wymagane	int Opóźnienie w godzinach wyświetlania danych w zestawie danych.

Uwagi

Obiekt DataDriftDetector reprezentuje definicję zadania dryfu danych, która może służyć do uruchamiania trzech typów przebiegów zadań:

uruchomić adhoc do analizowania konkretnego dnia wartości danych; zobacz metodę run .
zaplanowane uruchomienie w potoku; zobacz metodę enable_schedule .
uruchomienie wypełniania w celu sprawdzenia, jak zmieniają się dane w czasie; zobacz metodę backfill .

Typowy wzorzec tworzenia obiektu DataDriftDetector to:

Aby utworzyć obiekt DataDriftDetector oparty na zestawie danych, użyj polecenia create_from_datasets

W poniższym przykładzie pokazano, jak utworzyć obiekt DataDriftDetector oparty na zestawie danych.


   from azureml.datadrift import DataDriftDetector, AlertConfiguration

   alert_config = AlertConfiguration(['user@contoso.com']) # replace with your email to recieve alerts from the scheduled pipeline after enabling

   monitor = DataDriftDetector.create_from_datasets(ws, 'weather-monitor', baseline, target,
                                                         compute_target='cpu-cluster',         # compute target for scheduled pipeline and backfills
                                                         frequency='Week',                     # how often to analyze target data
                                                         feature_list=None,                    # list of features to detect drift on
                                                         drift_threshold=None,                 # threshold from 0 to 1 for email alerting
                                                         latency=0,                            # SLA in hours for target data to arrive in the dataset
                                                         alert_config=alert_config)            # email addresses to send alert

Pełna próbka jest dostępna w witrynie https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datadrift-tutorial/datadrift-tutorial.ipynb

Konstruktor DataDriftDetector pobiera istniejący obiekt dryfu danych skojarzony z obszarem roboczym.

Metody

backfill	Uruchom zadanie wypełniania nad określoną datą rozpoczęcia i zakończenia. Aby uzyskać szczegółowe informacje na temat przebiegów uzupełniania dryfu danych, zobacz https://aka.ms/datadrift . UWAGA: Wypełnianie jest obsługiwane tylko w obiektach DataDriftDetector opartych na zestawie danych.
create_from_datasets	Utwórz nowy obiekt DataDriftDetector na podstawie tabelarycznego zestawu danych linii bazowej i docelowego zestawu danych szeregów czasowych.
delete	Usuń harmonogram obiektu DataDriftDetector.
disable_schedule	Wyłącz harmonogram obiektu DataDriftDetector.
enable_schedule	Utwórz harmonogram uruchamiania zadania datadriftDetector opartego na zestawie danych.
get_by_name	Pobierz unikatowy obiekt DataDriftDetector dla danego obszaru roboczego i nazwy.
get_output	Pobierz krotkę wyników dryfu i metryk dla określonego obiektu DataDriftDetector w danym przedziale czasu.
list	Pobierz listę obiektów DataDriftDetector dla określonego obszaru roboczego i opcjonalnego zestawu danych. UWAGA: Przekazanie tylko parametru `workspace` spowoduje zwrócenie wszystkich obiektów DataDriftDetector zdefiniowanych w obszarze roboczym.
run	Uruchom pojedynczą analizę dryfu danych w czasie.
show	Pokaż trend dryfu danych w danym zakresie czasu. Domyślnie ta metoda pokazuje najnowsze 10 cykli. Jeśli na przykład częstotliwość to dzień, będzie to ostatnie 10 dni. Jeśli częstotliwość to tydzień, będzie to ostatnie 10 tygodni.
update	Zaktualizuj harmonogram skojarzony z obiektem DataDriftDetector. Opcjonalne wartości parametrów można ustawić na `None`wartość . W przeciwnym razie wartości domyślne są domyślne dla istniejących wartości.

backfill

Uruchom zadanie wypełniania nad określoną datą rozpoczęcia i zakończenia.

Aby uzyskać szczegółowe informacje na temat przebiegów uzupełniania dryfu danych, zobacz https://aka.ms/datadrift .

UWAGA: Wypełnianie jest obsługiwane tylko w obiektach DataDriftDetector opartych na zestawie danych.

backfill(start_date, end_date, compute_target=None, create_compute_target=False)

Parametry

Nazwa	Opis
start_date Wymagane	datetime Data rozpoczęcia zadania wypełniania.
end_date Wymagane	datetime Data zakończenia zadania wypełniania, włącznie.
compute_target	ComputeTarget lub str Opcjonalna nazwa usługi ComputeTarget lub ComputeTarget w usłudze Azure Machine Learning. DataDriftDetector utworzy docelowy obiekt obliczeniowy, jeśli żaden z nich nie zostanie określony. wartość domyślna: None
create_compute_target	bool Wskazuje, czy docelowy obiekt obliczeniowy usługi Azure Machine Learning jest tworzony automatycznie. wartość domyślna: False

Zwraca

Typ	Opis
Run	Uruchom polecenie DataDriftDetector.

create_from_datasets

Utwórz nowy obiekt DataDriftDetector na podstawie tabelarycznego zestawu danych linii bazowej i docelowego zestawu danych szeregów czasowych.

static create_from_datasets(workspace, name, baseline_dataset, target_dataset, compute_target=None, frequency=None, feature_list=None, alert_config=None, drift_threshold=None, latency=None)

Parametry

Nazwa	Opis
workspace Wymagane	Workspace Obszar roboczy do utworzenia obiektu DataDriftDetector.
name Wymagane	str Unikatowa nazwa obiektu DataDriftDetector.
baseline_dataset Wymagane	TabularDataset Zestaw danych do porównania docelowego zestawu danych.
target_dataset Wymagane	TabularDataset Zestaw danych do uruchamiania zadań adhoc lub zaplanowanych zadań DataDrift. Musi być szeregiem czasowym.
compute_target	ComputeTarget lub str Opcjonalna nazwa usługi ComputeTarget lub ComputeTarget w usłudze Azure Machine Learning. Funkcja DataDriftDetector utworzy docelowy obiekt obliczeniowy, jeśli nie zostanie określony. wartość domyślna: None
frequency	str Opcjonalna częstotliwość wskazująca częstotliwość uruchamiania potoku. Obsługuje ciąg "Day", "Week" lub "Month". wartość domyślna: None
feature_list	list[str] Opcjonalne funkcje z listy dozwolonych do uruchamiania wykrywania danychdrift na. Zadania DataDriftDetector będą uruchamiane we wszystkich funkcjach, jeśli `feature_list` nie zostaną określone. Lista funkcji może zawierać znaki, liczby, kreski i białe znaki. Długość listy musi być mniejsza niż 200. wartość domyślna: None
alert_config	AlertConfiguration Opcjonalny obiekt konfiguracji alertów DataDriftDetector. wartość domyślna: None
drift_threshold	float Opcjonalny próg włączania alertów usługi DataDriftDetector. Wartość musi należeć do przedziału od 0 do 1. Wartość 0,2 jest używana, gdy określono wartość None (wartość domyślna). wartość domyślna: None
latency	int Opóźnienie w godzinach wyświetlania danych w zestawie danych. wartość domyślna: None

Zwraca

Typ	Opis
DataDriftDetector	Obiekt DataDriftDetector.

Wyjątki

Typ	Opis
<xref:KeyError>, <xref:TypeError>, <xref:ValueError>

Uwagi

Oparte na zestawie danych DataDriftDetectors umożliwiają obliczanie dryfu danych między zestawem danych odniesienia, który musi być zestawem TabularDatasetdanych , a docelowym zestawem danych, który musi być zestawem danych szeregów czasowych. Zestaw danych szeregów czasowych jest po prostu elementem TabularDataset z właściwością fine_grain_timestamp. Narzędzie DataDriftDetector może następnie uruchomić zadania adhoc lub zaplanowane, aby określić, czy docelowy zestaw danych dryfował z zestawu danych odniesienia.


   from azureml.core import Workspace, Dataset
   from azureml.datadrift import DataDriftDetector

   ws = Workspace.from_config()
   baseline = Dataset.get_by_name(ws, 'my_baseline_dataset')
   target = Dataset.get_by_name(ws, 'my_target_dataset')

   detector = DataDriftDetector.create_from_datasets(workspace=ws,
                                                     name="my_unique_detector_name",
                                                     baseline_dataset=baseline,
                                                     target_dataset=target,
                                                     compute_target_name='my_compute_target',
                                                     frequency="Day",
                                                     feature_list=['my_feature_1', 'my_feature_2'],
                                                     alert_config=AlertConfiguration(email_addresses=['user@contoso.com']),
                                                     drift_threshold=0.3,
                                                     latency=1)

delete

Usuń harmonogram obiektu DataDriftDetector.

delete(wait_for_completion=True)

Parametry

Nazwa	Opis
wait_for_completion	bool Czy poczekać na zakończenie operacji usuwania. wartość domyślna: True

disable_schedule

Wyłącz harmonogram obiektu DataDriftDetector.

disable_schedule(wait_for_completion=True)

Parametry

Nazwa	Opis
wait_for_completion	bool Czy poczekać na zakończenie operacji wyłączania. wartość domyślna: True

enable_schedule

Utwórz harmonogram uruchamiania zadania datadriftDetector opartego na zestawie danych.

enable_schedule(create_compute_target=False, wait_for_completion=True)

Parametry

Nazwa	Opis
create_compute_target	bool Wskazuje, czy docelowy obiekt obliczeniowy usługi Azure Machine Learning jest tworzony automatycznie. wartość domyślna: False
wait_for_completion	bool Czy poczekać na zakończenie operacji włączania. wartość domyślna: True

get_by_name

Pobierz unikatowy obiekt DataDriftDetector dla danego obszaru roboczego i nazwy.

static get_by_name(workspace, name)

Parametry

Nazwa	Opis
workspace Wymagane	Workspace Obszar roboczy, w którym został utworzony element DataDriftDetector.
name Wymagane	str Nazwa obiektu DataDriftDetector do zwrócenia.

Zwraca

Typ	Opis
DataDriftDetector	Obiekt DataDriftDetector.

get_output

Pobierz krotkę wyników dryfu i metryk dla określonego obiektu DataDriftDetector w danym przedziale czasu.

get_output(start_time=None, end_time=None, run_id=None)

Parametry

Nazwa	Opis
start_time	datetime, <xref:optional> Godzina rozpoczęcia okna wyników w formacie UTC. Jeśli określono wartość Brak (wartość domyślna), wyniki ostatniego 10 cyklu są używane jako godzina rozpoczęcia. Jeśli na przykład częstotliwość harmonogramu dryfu danych wynosi dzień, `start_time` wynosi 10 dni. Jeśli częstotliwość to tydzień, wartość `start_time` to 10 tygodni. wartość domyślna: None
end_time	datetime, <xref:optional> Godzina zakończenia okna wyników w formacie UTC. Jeśli określono wartość Brak (wartość domyślna), bieżący dzień UTC jest używany jako godzina zakończenia. wartość domyślna: None
run_id	int, <xref:optional> Określony identyfikator przebiegu. wartość domyślna: None

Zwraca

Typ	Opis
tuple(list, list)	Krotka listy wyników dryfu oraz lista poszczególnych zestawów danych i metryk kolumnowych.

Uwagi

Ta metoda zwraca krotkę wyników dryfu i metryk dla przedziału czasu lub identyfikatora przebiegu na podstawie typu przebiegu: przebiegu adhoc , zaplanowanego przebiegu i przebiegu wypełniania.

Aby pobrać wyniki przebiegu adhoc , istnieje tylko jeden sposób: run_id powinien być prawidłowym identyfikatorem GUID.
Aby pobrać zaplanowane przebiegi i wypełnić wyniki przebiegu, istnieją dwa różne sposoby: przypisz prawidłowy identyfikator GUID do run_id lub przypisz określony start_time i/lub end_time (włącznie) przy zachowaniu run_id wartości Brak.
Jeśli run_id, start_timei end_time nie są wartością None w tym samym wywołaniu metody, zostanie zgłoszony wyjątek sprawdzania poprawności parametru.

UWAGA:start_time Określ parametry i end_time lub run_id parametr, ale nie oba.

Istnieje możliwość, że istnieje wiele wyników dla tej samej daty docelowej (data docelowa oznacza docelową datę rozpoczęcia zestawu danych dla dryfu opartego na zestawie danych). Dlatego konieczne jest zidentyfikowanie i obsługa zduplikowanych wyników. W przypadku dryfu opartego na zestawie danych, jeśli wyniki są dla tej samej daty docelowej, są one zduplikowane wyniki. Metoda get_output zdeduplikuje wszystkie zduplikowane wyniki według jednej reguły: zawsze pobiera najnowsze wygenerowane wyniki.

Metoda get_output może służyć do pobierania wszystkich danych wyjściowych lub częściowych danych wyjściowych zaplanowanych przebiegów w określonym zakresie czasu między start_time i end_time (dołączona granica). Możesz również ograniczyć wyniki poszczególnych elementów adhoc , określając run_id.

Skorzystaj z poniższych wskazówek, aby pomóc w interpretowaniu wyników zwróconych z get_output metody :

Zasada filtrowania to "nakładanie się": o ile występuje nakładanie się między rzeczywistym czasem wyniku (opartym na zestawie danych: docelowym zestawem danych [data rozpoczęcia, data zakończenia]) i podanym [start_time, end_time], wynik zostanie pobrany.
Jeśli istnieje wiele danych wyjściowych dla jednej daty docelowej, ponieważ obliczenie dryfu zostało wykonane kilka razy w stosunku do tego dnia, domyślnie zostaną wybrane tylko najnowsze dane wyjściowe.
Biorąc pod uwagę, że istnieje wiele typów wystąpienia dryfu danych, zawartość wyniku może być różna.

W przypadku wyników opartych na zestawie danych dane wyjściowe będą wyglądać następująco:


   results : [{'drift_type': 'DatasetBased',
               'result':[{'has_drift': True, 'drift_threshold': 0.3,
                          'start_date': '2019-04-03', 'end_date': '2019-04-04',
                          'base_dataset_id': '4ac144ef-c86d-4c81-b7e5-ea6bbcd2dc7d',
                          'target_dataset_id': '13445141-aaaa-bbbb-cccc-ea23542bcaf9'}]}]
   metrics : [{'drift_type': 'DatasetBased',
               'metrics': [{'schema_version': '0.1',
                            'start_date': '2019-04-03', 'end_date': '2019-04-04',
                            'baseline_dataset_id': '4ac144ef-c86d-4c81-b7e5-ea6bbcd2dc7d',
                            'target_dataset_id': '13445141-aaaa-bbbb-cccc-ea23542bcaf9'
                            'dataset_metrics': [{'name': 'datadrift_coefficient', 'value': 0.53459}],
                            'column_metrics': [{'feature1': [{'name': 'datadrift_contribution',
                                                              'value': 288.0},
                                                             {'name': 'wasserstein_distance',
                                                              'value': 4.858040000000001},
                                                             {'name': 'energy_distance',
                                                              'value': 2.7204799576545313}]}]}]}]

list

Pobierz listę obiektów DataDriftDetector dla określonego obszaru roboczego i opcjonalnego zestawu danych.

UWAGA: Przekazanie tylko parametru workspace spowoduje zwrócenie wszystkich obiektów DataDriftDetector zdefiniowanych w obszarze roboczym.

static list(workspace, baseline_dataset=None, target_dataset=None)

Parametry

Nazwa	Opis
workspace Wymagane	Workspace Obszar roboczy, w którym zostały utworzone obiekty DataDriftDetector.
baseline_dataset	TabularDataset Zestaw danych odniesienia do filtrowania listy zwracanej. wartość domyślna: None
target_dataset	TabularDataset Docelowy zestaw danych do filtrowania listy zwracanej. wartość domyślna: None

Zwraca

Typ	Opis
list[DataDriftDetector]	Lista obiektów DataDriftDetector.

run

Uruchom pojedynczą analizę dryfu danych w czasie.

run(target_date, compute_target=None, create_compute_target=False, feature_list=None, drift_threshold=None)

Parametry

Nazwa	Opis
target_date Wymagane	datetime Docelowa data oceniania danych w formacie UTC.
compute_target	ComputeTarget lub str Opcjonalna nazwa ComputeTarget lub ComputeTarget usługi Azure Machine Learning. Jeśli nie zostanie określony, docelowy obiekt obliczeniowy zostanie utworzony automatycznie. wartość domyślna: None
create_compute_target	bool Wskazuje, czy docelowy obiekt obliczeniowy usługi Azure Machine Learning jest tworzony automatycznie. wartość domyślna: False
feature_list	list[str] Opcjonalne funkcje z listy dozwolonych do uruchamiania wykrywania danychdrift na. wartość domyślna: None
drift_threshold	float Opcjonalny próg włączania alertów usługi DataDriftDetector. wartość domyślna: None

Zwraca

Typ	Opis
Run	Uruchom narzędzie DataDriftDetector.

show

Pokaż trend dryfu danych w danym zakresie czasu.

Domyślnie ta metoda pokazuje najnowsze 10 cykli. Jeśli na przykład częstotliwość to dzień, będzie to ostatnie 10 dni. Jeśli częstotliwość to tydzień, będzie to ostatnie 10 tygodni.

show(start_time=None, end_time=None)

Parametry

Nazwa	Opis
start_time	datetime, <xref:optional> Początek okna czasu prezentacji w formacie UTC. Wartość domyślna Brak oznacza odebranie najnowszych wyników 10. cyklu. wartość domyślna: None
end_time	datetime, <xref:optional> Koniec okna czasu prezentacji w formacie UTC. Wartość domyślna Brak oznacza bieżący dzień. wartość domyślna: None

Zwraca

Typ	Opis
dict()	Słownik wszystkich ilustracji. Klucz jest service_name.

update

Zaktualizuj harmonogram skojarzony z obiektem DataDriftDetector.

Opcjonalne wartości parametrów można ustawić na Nonewartość . W przeciwnym razie wartości domyślne są domyślne dla istniejących wartości.

update(compute_target=Ellipsis, feature_list=Ellipsis, schedule_start=Ellipsis, alert_config=Ellipsis, drift_threshold=Ellipsis, wait_for_completion=True)

Parametry

Nazwa	Opis
compute_target	ComputeTarget lub str Opcjonalna nazwa ComputeTarget lub ComputeTarget usługi Azure Machine Learning. Jeśli ten parametr nie zostanie określony, funkcja DataDriftDetector utworzy docelowy obiekt obliczeniowy. wartość domyślna: Ellipsis
feature_list	list[str] Funkcje z listy dozwolonych do uruchamiania wykrywania danychdrift. wartość domyślna: Ellipsis
schedule_start	datetime Godzina rozpoczęcia harmonogramu dryfu danych w formacie UTC. wartość domyślna: Ellipsis
alert_config	AlertConfiguration Opcjonalny obiekt konfiguracji alertów DataDriftDetector. wartość domyślna: Ellipsis
drift_threshold	float Próg włączania alertów DataDriftDetector. wartość domyślna: Ellipsis
wait_for_completion	bool Czy poczekać na zakończenie operacji włączania/wyłączania/usuwania. wartość domyślna: True

Zwraca

Typ	Opis
DataDriftDetector	Własny

Atrybuty

alert_config

Pobierz konfigurację alertu dla obiektu DataDriftDetector.

Zwraca

Typ	Opis
AlertConfiguration	Obiekt AlertConfiguration.

baseline_dataset

Pobierz zestaw danych odniesienia skojarzony z obiektem DataDriftDetector.

Zwraca

Typ	Opis
TabularDataset	Typ zestawu danych punktu odniesienia.

compute_target

Pobierz obiekt docelowy obliczeniowy dołączony do obiektu DataDriftDetector.

Zwraca

Typ	Opis
ComputeTarget	Docelowy zasób obliczeniowy.

drift_threshold

Pobierz próg dryfu dla obiektu DataDriftDetector.

Zwraca

Typ	Opis
float	Próg dryfu.

drift_type

Pobierz typ elementu DataDriftDetector "DatasetBased" jest obecnie jedyną obsługiwaną wartością.

Zwraca

Typ	Opis
str	Typ obiektu DataDriftDetector.

enabled

Pobierz wartość logiczną wskazującą, czy obiekt DataDriftDetector jest włączony.

Zwraca

Typ	Opis
bool	Wartość logiczna; True dla włączonego.

feature_list

Pobierz listę funkcji listy dozwolonych dla obiektu DataDriftDetector.

Zwraca

Typ	Opis
list[str]	Lista nazw funkcji.

frequency

Pobierz częstotliwość harmonogramu DataDriftDetector.

Zwraca

Typ	Opis
str	Ciąg "Dzień", "Tydzień" lub "Miesiąc"

interval

Pobierz interwał harmonogramu DataDriftDetector.

Zwraca

Typ	Opis
int	Wartość całkowita jednostki czasu.

latency

Uzyskaj opóźnienie zadań harmonogramu DataDriftDetector (w godzinach).

Zwraca

Typ	Opis
int	Liczba godzin reprezentujących opóźnienie.

name

Pobierz nazwę obiektu DataDriftDetector.

Zwraca

Typ	Opis
str	Nazwa obiektu DataDriftDetector.

schedule_start

Pobierz godzinę rozpoczęcia harmonogramu.

Zwraca

Typ	Opis
datetime	Obiekt daty/godziny harmonogramu rozpoczęcia w formacie UTC.

state

Określa stan harmonogramu DataDriftDetector.

Zwraca

Typ	Opis
str	Jeden z elementów "Disabled", "Enabled", "Deleted", "Disableing", "Enableing", "Deleteing", "Failed", "DisableFailed", "EnableFailed", "DeleteFailed".

target_dataset

Pobierz docelowy zestaw danych skojarzony z obiektem DataDriftDetector.

Zwraca

Typ	Opis
TabularDataset	Typ zestawu danych punktu odniesienia.

workspace

Pobierz obszar roboczy obiektu DataDriftDetector.

Zwraca

Typ	Opis
Workspace	Obszar roboczy obiektu DataDriftDetector został utworzony.

Udostępnij za pośrednictwem

DataDriftDetector Klasa

Konstruktor

Parametry

Uwagi

Metody

backfill

Parametry

Zwraca

create_from_datasets

Parametry

Zwraca

Wyjątki

Uwagi

delete

Parametry

disable_schedule

Parametry

enable_schedule

Parametry

get_by_name

Parametry

Zwraca

get_output

Parametry

Zwraca

Uwagi

list

Parametry

Zwraca

run

Parametry

Zwraca

show

Parametry

Zwraca

update

Parametry

Zwraca

Atrybuty

alert_config

Zwraca

baseline_dataset

Zwraca

compute_target

Zwraca

drift_threshold

Zwraca

drift_type

Zwraca

enabled

Zwraca

feature_list

Zwraca

frequency

Zwraca

interval

Zwraca

latency

Zwraca

name

Zwraca

schedule_start

Zwraca

state

Zwraca

target_dataset

Zwraca

workspace

Zwraca

Opinia

Opinia

Dodatkowe zasoby