DataDriftDetector Klasa
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.objectDataDriftDetector
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
|
Obszar roboczy, w którym ma zostać utworzony obiekt DataDriftDetector. |
name
|
Unikatowa nazwa obiektu DataDriftDetector. Domyślna wartość: None
|
baseline_dataset
|
Zestaw danych do porównania docelowego zestawu danych. Domyślna wartość: None
|
target_dataset
|
Zestaw danych do uruchamiania zadań adhoc lub zaplanowanych zadań DataDrift. Musi być szeregiem czasowym. Domyślna wartość: 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. Domyślna wartość: None
|
frequency
|
Opcjonalna częstotliwość wskazująca częstotliwość uruchamiania potoku. Obsługuje "Dzień", "Tydzień" lub "Miesiąc". Domyślna wartość: None
|
feature_list
|
Opcjonalne funkcje listy dozwolonych do uruchamiania wykrywania danychdrift włączone. Zadania DataDriftDetector będą uruchamiane we wszystkich funkcjach, jeśli Domyślna wartość: None
|
alert_config
|
Opcjonalny obiekt konfiguracji alertów dataDriftDetector. Domyślna wartość: None
|
drift_threshold
|
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). Domyślna wartość: None
|
latency
|
Opóźnienie w godzinach wyświetlania danych w zestawie danych. Domyślna wartość: None
|
workspace
Wymagane
|
Obszar roboczy, w którym ma zostać utworzony obiekt DataDriftDetector. |
name
Wymagane
|
Unikatowa nazwa obiektu DataDriftDetector. |
baseline_dataset
Wymagane
|
Zestaw danych do porównania docelowego zestawu danych. |
target_dataset
Wymagane
|
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
|
Opcjonalna częstotliwość wskazująca częstotliwość uruchamiania potoku. Obsługuje "Dzień", "Tydzień" lub "Miesiąc". |
feature_list
Wymagane
|
Opcjonalne funkcje listy dozwolonych do uruchamiania wykrywania danychdrift włączone. Zadania DataDriftDetector będą uruchamiane we wszystkich funkcjach, jeśli |
alert_config
Wymagane
|
Opcjonalny obiekt konfiguracji alertów dataDriftDetector. |
drift_threshold
Wymagane
|
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
|
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 |
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 |
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
|
Data rozpoczęcia zadania wypełniania. |
end_date
Wymagane
|
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. Domyślna wartość: None
|
create_compute_target
|
Wskazuje, czy docelowy obiekt obliczeniowy usługi Azure Machine Learning jest tworzony automatycznie. Domyślna wartość: False
|
Zwraca
Typ | Opis |
---|---|
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
|
Obszar roboczy do utworzenia obiektu DataDriftDetector. |
name
Wymagane
|
Unikatowa nazwa obiektu DataDriftDetector. |
baseline_dataset
Wymagane
|
Zestaw danych do porównania docelowego zestawu danych. |
target_dataset
Wymagane
|
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. Domyślna wartość: None
|
frequency
|
Opcjonalna częstotliwość wskazująca częstotliwość uruchamiania potoku. Obsługuje ciąg "Day", "Week" lub "Month". Domyślna wartość: None
|
feature_list
|
Opcjonalne funkcje z listy dozwolonych do uruchamiania wykrywania danychdrift na. Zadania DataDriftDetector będą uruchamiane we wszystkich funkcjach, jeśli Domyślna wartość: None
|
alert_config
|
Opcjonalny obiekt konfiguracji alertów DataDriftDetector. Domyślna wartość: None
|
drift_threshold
|
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). Domyślna wartość: None
|
latency
|
Opóźnienie w godzinach wyświetlania danych w zestawie danych. Domyślna wartość: None
|
Zwraca
Typ | Opis |
---|---|
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
|
Czy poczekać na zakończenie operacji usuwania. Domyślna wartość: True
|
disable_schedule
Wyłącz harmonogram obiektu DataDriftDetector.
disable_schedule(wait_for_completion=True)
Parametry
Nazwa | Opis |
---|---|
wait_for_completion
|
Czy poczekać na zakończenie operacji wyłączania. Domyślna wartość: 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
|
Wskazuje, czy docelowy obiekt obliczeniowy usługi Azure Machine Learning jest tworzony automatycznie. Domyślna wartość: False
|
wait_for_completion
|
Czy poczekać na zakończenie operacji włączania. Domyślna wartość: 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
|
Obszar roboczy, w którym został utworzony element DataDriftDetector. |
name
Wymagane
|
Nazwa obiektu DataDriftDetector do zwrócenia. |
Zwraca
Typ | Opis |
---|---|
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, Domyślna wartość: 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. Domyślna wartość: None
|
run_id
|
int, <xref:optional>
Określony identyfikator przebiegu. Domyślna wartość: None
|
Zwraca
Typ | Opis |
---|---|
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 określonystart_time
i/lubend_time
(włącznie) przy zachowaniurun_id
wartości Brak.Jeśli
run_id
,start_time
iend_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
|
Obszar roboczy, w którym zostały utworzone obiekty DataDriftDetector. |
baseline_dataset
|
Zestaw danych odniesienia do filtrowania listy zwracanej. Domyślna wartość: None
|
target_dataset
|
Docelowy zestaw danych do filtrowania listy zwracanej. Domyślna wartość: None
|
Zwraca
Typ | Opis |
---|---|
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
|
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. Domyślna wartość: None
|
create_compute_target
|
Wskazuje, czy docelowy obiekt obliczeniowy usługi Azure Machine Learning jest tworzony automatycznie. Domyślna wartość: False
|
feature_list
|
Opcjonalne funkcje z listy dozwolonych do uruchamiania wykrywania danychdrift na. Domyślna wartość: None
|
drift_threshold
|
Opcjonalny próg włączania alertów usługi DataDriftDetector. Domyślna wartość: None
|
Zwraca
Typ | Opis |
---|---|
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. Domyślna wartość: None
|
end_time
|
datetime, <xref:optional>
Koniec okna czasu prezentacji w formacie UTC. Wartość domyślna Brak oznacza bieżący dzień. Domyślna wartość: 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 None
wartość . 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. Domyślna wartość: Ellipsis
|
feature_list
|
Funkcje z listy dozwolonych do uruchamiania wykrywania danychdrift. Domyślna wartość: Ellipsis
|
schedule_start
|
Godzina rozpoczęcia harmonogramu dryfu danych w formacie UTC. Domyślna wartość: Ellipsis
|
alert_config
|
Opcjonalny obiekt konfiguracji alertów DataDriftDetector. Domyślna wartość: Ellipsis
|
drift_threshold
|
Próg włączania alertów DataDriftDetector. Domyślna wartość: Ellipsis
|
wait_for_completion
|
Czy poczekać na zakończenie operacji włączania/wyłączania/usuwania. Domyślna wartość: True
|
Zwraca
Typ | Opis |
---|---|
Własny |
Atrybuty
alert_config
Pobierz konfigurację alertu dla obiektu DataDriftDetector.
Zwraca
Typ | Opis |
---|---|
Obiekt AlertConfiguration. |
baseline_dataset
Pobierz zestaw danych odniesienia skojarzony z obiektem DataDriftDetector.
Zwraca
Typ | Opis |
---|---|
Typ zestawu danych punktu odniesienia. |
compute_target
Pobierz obiekt docelowy obliczeniowy dołączony do obiektu DataDriftDetector.
Zwraca
Typ | Opis |
---|---|
Docelowy zasób obliczeniowy. |
drift_threshold
drift_type
Pobierz typ elementu DataDriftDetector "DatasetBased" jest obecnie jedyną obsługiwaną wartością.
Zwraca
Typ | Opis |
---|---|
Typ obiektu DataDriftDetector. |
enabled
Pobierz wartość logiczną wskazującą, czy obiekt DataDriftDetector jest włączony.
Zwraca
Typ | Opis |
---|---|
Wartość logiczna; True dla włączonego. |
feature_list
Pobierz listę funkcji listy dozwolonych dla obiektu DataDriftDetector.
Zwraca
Typ | Opis |
---|---|
Lista nazw funkcji. |
frequency
Pobierz częstotliwość harmonogramu DataDriftDetector.
Zwraca
Typ | Opis |
---|---|
Ciąg "Dzień", "Tydzień" lub "Miesiąc" |
interval
Pobierz interwał harmonogramu DataDriftDetector.
Zwraca
Typ | Opis |
---|---|
Wartość całkowita jednostki czasu. |
latency
Uzyskaj opóźnienie zadań harmonogramu DataDriftDetector (w godzinach).
Zwraca
Typ | Opis |
---|---|
Liczba godzin reprezentujących opóźnienie. |
name
schedule_start
Pobierz godzinę rozpoczęcia harmonogramu.
Zwraca
Typ | Opis |
---|---|
Obiekt daty/godziny harmonogramu rozpoczęcia w formacie UTC. |
state
Określa stan harmonogramu DataDriftDetector.
Zwraca
Typ | Opis |
---|---|
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 |
---|---|
Typ zestawu danych punktu odniesienia. |
workspace
Pobierz obszar roboczy obiektu DataDriftDetector.
Zwraca
Typ | Opis |
---|---|
Obszar roboczy obiektu DataDriftDetector został utworzony. |