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.objectModelProxy
Construtor
ModelProxy(child_run, compute_target=None)
Parâmetros
- child_run
A execução subordinada a partir da qual o modelo será transferido.
- compute_target
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 |
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
Dados de teste de entrada para executar a previsão.
- y_values
- AbstractDataset ou DataFrame ou ndarray
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
- y_values
Introduza os valores y para executar a previsão.
- forecast_destination
- <xref:pandas.Timestamp>
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.
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
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
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
O conjunto de dados de teste.
- include_predictions_only
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.
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários