constants Módulo

Define constantes de ML automatizadas usadas no Azure Machine Learning.

Classes

API	Define nomes para as operações da API do Azure Machine Learning que podem ser executadas.
AcquisitionFunction	Define nomes para todas as funções de aquisição usadas para selecionar o próximo pipeline. O padrão é EI (melhoria esperada).
AggregationFunctions	Defina as funções de agregação para colunas numéricas.
AutoMLDefaultTimeouts	Constantes para armazenar os tempos limite padrão
AutoMLJson	Define constantes para JSON criadas pelo ML automatizado.
AutoMLValidation	Define constantes de ML automatizadas usadas no Azure Machine Learning.
CheckImbalance	Se a proporção dos exemplos na classe minoritária para os exemplos na classe majoritária for igual ou inferior a esse limite, o desequilíbrio será detectado no conjunto de dados.
ClientErrors	Define erros de cliente que podem ocorrer ao violar restrições de custo especificadas pelo usuário.
DatetimeDtype	Define os tipos de dados datetime com suporte. Os nomes correspondem à saída de pandas.api.types.infer_dtype().
Defaults	Define valores padrão para pipelines.
Dependencies	Define constantes de ML automatizadas usadas no Azure Machine Learning.
EnsembleConstants	Define as constantes usadas para iterações do Ensemble.
EnsembleMethod	Define métodos de conjunto.
ExceptionFragments	Fragmentos de exceção
FeatureSweeping	Define constantes para a Varredura de Recursos.
FitPipelineComponentName	Constantes para os nomes do componente FitPipeline.
HyperparameterSweepingConstants	Define constantes relacionadas ao ajuste de hiperparâmetro.
IterationTimeout	Define maneiras de alterar a per_iteration_timeout.
LearnerColumns	Define todas as colunas usadas para o pipeline do aprendiz.
LegacyModelNames	Define nomes para todos os modelos compatíveis com o recomendador Miro no ML Automatizado. Esses nomes ainda são usados para se referir a objetos no banco de dados do Miro, mas não são usados por nenhum cliente ML automatizado.
MLFlowLiterals	Constantes relacionadas ao MLFlow.
MLFlowMetaLiterals	Constantes relacionadas ao metdata do MLFlow.
MLTableLiterals	Define constantes de ML automatizadas usadas no Azure Machine Learning.
Metric	Define todas as métricas compatíveis com classificação e regressão.
MetricExtrasConstants	Define valores internos de intervalos de confiança
MetricObjective	Define mapeamentos de métricas para seu objetivo. Os objetivos são maximização ou minimização (regressão e classificação).
ModelCategories	Define categorias para modelos.
ModelClassNames	Define nomes de classe para modelos. Estes são nomes de classe wrapper de modelo nas especificações de pipeline.
ModelName	Define um nome de modelo que inclui nomes de cliente, herdados e de classe. Init ModelName.
ModelNameMappings	Define mapeamentos de nome de modelo.
ModelParameters	Define nomes de parâmetro específicos para determinados modelos. Por exemplo, para indicar quais recursos no conjunto de dados são categóricos, um modelo LightGBM aceita o parâmetro 'categorical_feature', enquanto um modelo CatBoost aceita o parâmetro 'cat_features'.
NumericalDtype	Define tipos de dados numéricos com suporte. Os nomes correspondem à saída de pandas.api.types.infer_dtype().
Optimizer	Define as categorias de algoritmos de previsão de pipeline usados. "aleatório" fornece uma linha de base selecionando um pipeline aleatoriamente O "lvm" usa modelos de variáveis latentes para prever os próximos pipelines prováveis, considerando o desempenho em pipelines anteriores.
OptimizerObjectives	Define os objetivos que um algoritmo pode ter em relação a uma métrica. Algumas métricas devem ser maximizadas e outras devem ser minimizadas.
PipelineCost	Define os modos de modelo de custo. COST_NONE retorna todos os pipelines previstos COST_FILTER retorna apenas pipelines previstos por modelos de custo para atender às condições de custo especificadas pelo usuário COST_SCALE divide a pontuação da função de aquisição pelo tempo previsto
PipelineMaskProfiles	Define perfis de máscara para pipelines.
PipelineParameterConstraintCheckStatus	Define valores que indicam se o pipeline é válido.
PreprocessorCategories	Define categorias para pré-processadores.
RuleBasedValidation	Define constantes para a configuração de validação baseada em regra.
RunState	Define os estados em que uma execução pode estar.
ServerStatus	Define valores de status do servidor.
ShortSeriesHandlingValues	Defina os valores possíveis da configuração ShortSeriesHandling.
Status	Define possíveis estados de execução filho.
SubsamplingSchedule	Define estratégias de subampasagem.
SubsamplingTreatment	Define o tratamento de subampasagem em GP.
Subtasks	Define os nomes das subtarefas.
SupportedCategoricals	Define o tipo de _set_dataset_categoricals de aprendizes categóricos com suporte:
SupportedInputDatatypes	Tipos de dados de entrada compatíveis com o AutoML para diferentes tipos de execução.
SupportedModelNames	Define modelos com suporte em que cada modelo tem um nome de cliente, um nome de modelo herdado e um nome de classe de modelo.
SupportedModels	Define nomes voltados para o cliente para algoritmos compatíveis com o ML automatizado no Azure Machine Learning.
Tasks	Define tipos de tarefas de machine learning compatíveis com o ML automatizado.
TelemetryConstants	Define constantes de telemetria.
TextOrCategoricalDtype	Define tipos de dados categóricos com suporte.
TimeConstraintEnforcement	Enumeração de modos de imposição de tempo contraint.
TimeSeries	Define parâmetros usados para timeseries.
TimeSeriesInternal	Define constantes TimeSeries não voltadas para o usuário.
TimeSeriesWebLinks	Defina os links da Web para a documentação da série temporal.
TrainingResultsType	Define os resultados potenciais da classe runners.
TrainingType	Define métodos de validação. Diferentes tipos de experimento usarão métodos de validação diferentes.
Transformers	Define transformadores usados para processamento de dados.
ValidationLimitRule	Define regras de validação. Insira a regra com base nas entradas.

Enumerações

ErrorLinks	Constantes para armazenar o link para corrigir os erros.
ImageTask	Tipos de tarefa imagem disponível.
MLTableDataLabel	Uma enumeração.

Funções

get_metric_from_type

Obtenha métricas válidas para um determinado tipo de treinamento.

get_metric_from_type(t)

Parâmetros

Nome	Description
t Obrigatório

get_status_from_type

Obtenha status de treinamento válidos para um determinado tipo de treinamento.

get_status_from_type(t)

Parâmetros

Nome	Description
t Obrigatório

Dados

Sample_Weights_Unsupported

Nomes de algoritmo que devemos forçar a execução no modo threaded único.

Sample_Weights_Unsupported = {'ElasticNet', 'KNeighborsClassifier', 'KNeighborsRegressor', 'LassoLars'}

TIMEOUT_TAG

Nomes de algoritmos que não dão suporte a pesos de exemplo.

TIMEOUT_TAG = 'timeout'