ModelProxy Classe

Nota

Esta é uma classe experimental e pode mudar em qualquer altura. Para obter mais informações, veja https://aka.ms/azuremlexperimental.

Objeto proxy para modelos de AutoML que permite a inferência na computação remota.

Crie um objeto ModelProxy de AutoML para submeter inferência ao ambiente de preparação.

Herança

builtins.object

ModelProxy

Construtor

ModelProxy(child_run, compute_target=None)

Parâmetros

child_run

Necessário

A execução subordinada a partir da qual o modelo será transferido.

compute_target

Necessário

Substitua a computação de destino pela inferência.

Métodos

forecast	Submeta uma tarefa para executar a previsão no modelo para os valores especificados.
forecast_quantiles	Submeta uma tarefa para executar forecast_quantiles no modelo para os valores especificados.
predict	Submeta uma tarefa para executar a previsão no modelo para os valores especificados.
predict_proba	Submeta uma tarefa para executar predict_proba no modelo para os valores especificados.
test	Obtenha predições das test_data métricas relevantes e de computação.

forecast

Submeta uma tarefa para executar a previsão no modelo para os valores especificados.

forecast(X_values: Any, y_values: Any | None = None) -> Tuple[AbstractDataset, AbstractDataset]

Parâmetros

X_values

AbstractDataset ou DataFrame ou ndarray

Necessário

Dados de teste de entrada para executar a previsão.

y_values

AbstractDataset ou DataFrame ou ndarray

valor predefinido: None

Introduza os valores y para executar a previsão.

Devoluções

Os valores de previsão.

forecast_quantiles

Submeta uma tarefa para executar forecast_quantiles no modelo para os valores especificados.

forecast_quantiles(X_values: Any, y_values: Any | None = None, forecast_destination: Any | None = None, ignore_data_errors: bool = False) -> AbstractDataset

Parâmetros

X_values

AbstractDataset

Necessário

Dados de teste de entrada para executar a previsão.

y_values

valor predefinido: None

Introduza os valores y para executar a previsão.

forecast_destination

<xref:pandas.Timestamp>

valor predefinido: None

Forecast_destination: um valor de carimbo de data/hora. As previsões serão feitas até ao forecast_destination tempo, para todos os grãos. A entrada do dicionário { grain -> carimbo de data/hora } não será aceite. Se forecast_destination não for dada, será imputada como a última vez que ocorrer em X_pred para cada grão.

ignore_data_errors

bool

valor predefinido: False

Ignorar erros nos dados do utilizador.

predict

Submeta uma tarefa para executar a previsão no modelo para os valores especificados.

predict(values: Any) -> AbstractDataset

Parâmetros

values

AbstractDataset ou DataFrame ou ndarray

Necessário

Dados de teste de entrada em que a execução é prevista.

Devoluções

Os valores previstos.

predict_proba

Submeta uma tarefa para executar predict_proba no modelo para os valores especificados.

predict_proba(values: Any) -> AbstractDataset

Parâmetros

values

AbstractDataset ou DataFrame ou ndarray

Necessário

Dados de teste de entrada em que a execução é prevista.

Devoluções

Os valores previstos.

test

Obtenha predições das test_data métricas relevantes e de computação.

test(test_data: AbstractDataset, include_predictions_only: bool = False) -> Tuple[AbstractDataset, Dict[str, Any]]

Parâmetros

test_data

Necessário

O conjunto de dados de teste.

include_predictions_only

valor predefinido: False

Quer inclua ou não apenas as predições como parte da saída do predictions.csv.

Se este parâmetro for True , as colunas CSV de saída têm o mesmo aspeto (a previsão é a mesma que a regressão):

Classification => [predicted values], [probabilities]

Regression => [predicted values]

else (predefinição):

Classification => [original test data labels], [predicted values], [probabilities], [features]

Regression => [original test data labels], [predicted values], [features]

O nome da [original test data labels] coluna = [label column name] + "_orig".

O nome da [predicted values] coluna = [label column name] + "_predicted".

Os nomes das [probabilities] colunas = [class name] + "_predicted_proba".

Os nomes das [features] colunas = [feature column name] + "_orig".

Se não test_data incluir uma coluna de destino, [original test data labels] não estará no dataframe de saída.

Devoluções

Uma cadeia de identificação que contém os valores previstos e as métricas.