ClassificationJob Klass
Konfiguration för AutoML-klassificeringsjobb.
Initiera en ny AutoML-klassificeringsaktivitet.
- Arv
-
azure.ai.ml.entities._job.automl.tabular.automl_tabular.AutoMLTabularClassificationJob
Konstruktor
ClassificationJob(*, primary_metric: str | None = None, positive_label: str | None = None, **kwargs)Parametrar
Det primära måttet som ska användas för optimering, standardvärdet Ingen
- featurization
- Optional[TabularFeaturizationSettings]
Funktionaliseringsinställningar. Standardvärdet är Ingen.
- limits
- Optional[TabularLimitSettings]
Inställningar för begränsningar. Standardvärdet är Ingen.
- training
- Optional[TrainingSettings]
Träningsinställningar. Standardvärdet är Ingen.
Det primära måttet som ska användas för optimering, standardvärdet Ingen
- featurization
- Optional[TabularFeaturizationSettings]
funktionaliseringsinställningar. Standardvärdet är Ingen.
- limits
- Optional[TabularLimitSettings]
begränsningsinställningar. Standardvärdet är Ingen.
- training
- Optional[TrainingSettings]
träningsinställningar. Standardvärdet är Ingen.
Metoder
| dump |
Dumpar jobbinnehållet till en fil i YAML-format. |
| set_data |
Definiera datakonfiguration. |
| set_featurization |
Definiera funktionsframställningskonfiguration. |
| set_limits |
Ange begränsningar för jobbet. |
| set_training |
Metoden för att konfigurera träningsrelaterade inställningar. |
dump
Dumpar jobbinnehållet till en fil i YAML-format.
dump(dest: str | PathLike | IO, **kwargs) -> NoneParametrar
Den lokala sökvägen eller filströmmen som YAML-innehållet ska skrivas till. Om dest är en filsökväg skapas en ny fil. Om dest är en öppen fil skrivs filen till direkt.
- kwargs
- dict
Ytterligare argument som ska skickas till YAML-serialiseraren.
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_data
Definiera datakonfiguration.
set_data(*, training_data: Input, target_column_name: str, weight_column_name: str | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, n_cross_validations: str | int | None = None, cv_split_column_names: List[str] | None = None, test_data: Input | None = None, test_data_size: float | None = None) -> NoneParametrar
- training_data
- Input
Träningsdata.
- target_column_name
- str
Kolumnnamn för målkolumnen.
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_featurization
Definiera funktionsframställningskonfiguration.
set_featurization(*, blocked_transformers: List[BlockedTransformers | str] | None = None, column_name_and_types: Dict[str, str] | None = None, dataset_language: str | None = None, transformer_params: Dict[str, List[ColumnTransformer]] | None = None, mode: str | None = None, enable_dnn_featurization: bool | None = None) -> NoneParametrar
- blocked_transformers
- Optional[List[Union[BlockedTransformers, str]]]
En lista över transformatornamn som ska blockeras under funktionalisering, standardvärdet Ingen
En ordlista med kolumnnamn och funktionstyper som används för att uppdatera kolumnsyftet , standardvärdet Ingen
Tre tecken ISO 639-3-kod för de språk som finns i datauppsättningen. Andra språk än engelska stöds bara om du använder GPU-aktiverad beräkning. Language_code "mul" ska användas om datauppsättningen innehåller flera språk. Information om hur du hittar ISO 639-3-koder för olika språk finns i https://en.wikipedia.org/wiki/List_of_ISO_639-3_codes, standardvärden för Ingen
- transformer_params
- Optional[Dict[str, List[ColumnTransformer]]]
En ordlista med transformerare och motsvarande anpassningsparametrar , standardvärdet Ingen
Om du vill inkludera DNN-baserade metoder för funktionsframställning, är standardinställningen Ingen
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_limits
Ange begränsningar för jobbet.
set_limits(*, enable_early_termination: bool | None = None, exit_score: float | None = None, max_concurrent_trials: int | None = None, max_cores_per_trial: int | None = None, max_nodes: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None, trial_timeout_minutes: int | None = None) -> NoneParametrar
Om du vill aktivera tidig avslutning om poängen inte förbättras på kort sikt, är standardvärdet Ingen.
Tidig stopplogik:
Inget tidigt stopp för de första 20 iterationerna (landmärken).
Tidigt stoppfönster startar den 21:a iterationen och letar efter early_stopping_n_iters iterationer
(för närvarande inställd på 10). Det innebär att den första iterationen där stopp kan ske är den 31:a.
AutoML schemalägger fortfarande 2 ensemble-iterationer EFTER tidig stoppning, vilket kan resultera i högre poäng.
Tidig stoppning utlöses om det absoluta värdet för bästa beräknade poäng är detsamma för tidigare
early_stopping_n_iters iterationer, d.v.s. om det inte finns någon förbättring i poäng för early_stopping_n_iters iterationer.
Målpoäng för experiment. Experimentet avslutas när den här poängen har uppnåtts. Om det inte anges (inga kriterier) körs experimentet tills inga ytterligare framsteg har gjorts för det primära måttet. Mer information om avslutsvillkor finns i den här artikeln , standardvärdet Ingen
Det här är det maximala antalet iterationer som skulle köras parallellt. Standardvärdet är 1.
- AmlCompute-kluster stöder en iteration som körs per nod.
För flera överordnade AutoML-experimentkörningar som körs parallellt i ett enda AmlCompute-kluster ska summan av max_concurrent_trials värdena för alla experiment vara mindre än eller lika med det maximala antalet noder. Annars placeras körningar i kö tills noder är tillgängliga.
- DSVM stöder flera iterationer per nod.
max_concurrent_trialsBör
vara mindre än eller lika med antalet kärnor på DSVM. För flera experiment som körs parallellt på en enda DSVM ska summan av max_concurrent_trials värdena för alla experiment vara mindre än eller lika med det maximala antalet noder.
- Databricks –
max_concurrent_trialsska vara mindre än eller lika med antalet
arbetsnoder på Databricks.
max_concurrent_trials gäller inte för lokala körningar. Den här parametern hette concurrent_iterationstidigare .
Det maximala antalet trådar som ska användas för en viss tränings iteration. Godtagbara värden:
Större än 1 och mindre än eller lika med det maximala antalet kärnor i beräkningsmålet.
Lika med -1, vilket innebär att använda alla möjliga kärnor per iteration per underordnad körning.
Lika med 1, standardvärdet.
[Experimentellt] Det maximala antalet noder som ska användas för distribuerad träning.
För prognostisering tränas varje modell med max(2, int(max_nodes/max_concurrent_trials)) noder.
För klassificering/regression tränas varje modell med max_nodes noder.
Obs! Den här parametern är i offentlig förhandsversion och kan komma att ändras i framtiden.
Det totala antalet olika kombinationer av algoritmer och parametrar som ska testas under ett automatiserat ML-experiment. Om inget anges är standardvärdet 1 000 iterationer.
Maximal tid i minuter som alla iterationer tillsammans kan ta innan experimentet avslutas. Om det inte anges är standardtidsgränsen för experimentet 6 dagar. Om du vill ange en tidsgräns som är mindre än eller lika med 1 timme kontrollerar du att datauppsättningens storlek inte är större än 10 000 000 (kolumnen rader gånger) eller ett felresultat, standardvärdet Ingen
Maximal tid i minuter som varje iteration kan köras för innan den avslutas. Om inget anges används värdet 1 månad eller 4 3200 minuter, standardvärdet Ingen
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_training
Metoden för att konfigurera träningsrelaterade inställningar.
set_training(*, enable_onnx_compatible_models: bool | None = None, enable_dnn_training: bool | None = None, enable_model_explainability: bool | None = None, enable_stack_ensemble: bool | None = None, enable_vote_ensemble: bool | None = None, stack_ensemble_settings: StackEnsembleSettings | None = None, ensemble_model_download_timeout: int | None = None, allowed_training_algorithms: List[str] | None = None, blocked_training_algorithms: List[str] | None = None, training_mode: str | TrainingMode | None = None) -> NoneParametrar
Om du vill aktivera eller inaktivera framtvingande av ONNX-kompatibla modeller. Standardvärdet är Falskt. Mer information om Open Neural Network Exchange (ONNX) och Azure Machine Learning finns i den här artikeln.
Om DNN-baserade modeller ska inkluderas under modellval. Standardvärdet är dock Sant för DNN NLP-uppgifter, och det är falskt för alla andra AutoML-uppgifter.
Om du vill aktivera förklaring av den bästa AutoML-modellen i slutet av alla AutoML-tränings iterationer. Mer information finns i Tolka: modellförklaringar i automatiserad maskininlärning. , standardvärdet Ingen
Om stackEnsemble-iteration ska aktiveras/inaktiveras. Om enable_onnx_compatible_models flagga anges inaktiveras StackEnsemble-iteration. På samma sätt inaktiveras StackEnsemble-iteration som standard för Timeseries-uppgifter för att undvika risker för överanpassning på grund av små träningsuppsättningar som används för att passa metainläraren. Mer information om ensembler finns i Ensemblekonfiguration , standardvärden till Ingen
Om du vill aktivera/inaktivera VotingEnsemble-iteration. Mer information om ensembler finns i Ensemblekonfiguration , standardvärden till Ingen
- stack_ensemble_settings
- Optional[StackEnsembleSettings]
Inställningar för StackEnsemble-iteration, standardinställningar för None
Under VotingEnsemble- och StackEnsemble-modellgenereringen laddas flera anpassade modeller från tidigare underordnade körningar ned. Konfigurera den här parametern med ett högre värde än 300 sekunder, om mer tid behövs, standardvärdet Ingen
En lista över modellnamn för att söka efter ett experiment. Om inte anges används alla modeller som stöds för uppgiften minus alla angivna i blocked_training_algorithms eller inaktuella TensorFlow-modeller, standardvärdet Ingen
En lista över algoritmer som ska ignoreras för ett experiment, standardvärdet Ingen
- training_mode
- Optional[Union[str, TabularTrainingMode]]
[Experimentellt] Träningsläget som ska användas. Möjliga värden är-
distribuerad – möjliggör distribuerad träning för algoritmer som stöds.
non_distributed inaktiverar distribuerad träning.
auto - För närvarande är det samma som non_distributed. I framtiden kan detta ändras.
Obs! Den här parametern är i offentlig förhandsversion och kan komma att ändras i framtiden.
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
Attribut
base_path
creation_context
featurization
Hämta inställningarna för tabellfunktionalisering för AutoML-jobbet.
Returer
Tabellkonfigurationsinställningar för AutoML-jobbet
Returtyp
id
Resurs-ID:t.
Returer
Resursens globala ID, ett ARM-ID (Azure Resource Manager).
Returtyp
inputs
limits
Hämta tabellgränserna för AutoML-jobbet.
Returer
Tabellgränser för AutoML-jobbet
Returtyp
log_files
log_verbosity
Hämta loggverositeten för AutoML-jobbet.
Returer
log verbosity för AutoML-jobbet
Returtyp
outputs
primary_metric
Det primära måttet som ska användas för optimering.
Returer
Det primära måttet som ska användas för optimering.
Returtyp
status
Jobbets status.
Vanliga värden som returneras är "Running", "Completed" och "Failed". Alla möjliga värden är:
NotStarted – det här är ett tillfälligt tillstånd som körningsobjekt på klientsidan befinner sig i innan molnöverföringen.
Start – Körningen har börjat bearbetas i molnet. Anroparen har ett körnings-ID just nu.
Etablering – beräkning på begäran skapas för en viss jobböverföring.
Förbereder – Körningsmiljön förbereds och är i ett av två steg:
Docker-avbildningsversion
konfiguration av conda-miljö
I kö – Jobbet placeras i kö på beräkningsmålet. I BatchAI är jobbet till exempel i ett köat tillstånd
medan du väntar på att alla begärda noder ska vara klara.
Körs – Jobbet har börjat köras på beräkningsmålet.
Slutför – Körningen av användarkod har slutförts och körningen är i efterbearbetningssteg.
CancelRequested – Annullering har begärts för jobbet.
Slutförd – körningen har slutförts. Detta omfattar både körning och körning av användarkod
efterbearbetningssteg.
Misslyckades – körningen misslyckades. Vanligtvis innehåller egenskapen Error på en körning information om varför.
Avbryts – följer en begäran om annullering och anger att körningen nu har avbrutits.
Svarar inte – För körningar som har Pulsslag aktiverat har inga pulsslag nyligen skickats.
Returer
Status för jobbet.
Returtyp
studio_url
task_type
Hämta aktivitetstyp.
Returer
Den typ av uppgift som ska köras. Möjliga värden är: "classification", "regression", "forecasting".
Returtyp
test_data
training
Träningsinställningar för AutoML-klassificeringsjobb.
Returer
Träningsinställningar som används för AutoML-klassificeringsjobb.
Returtyp
training_data
type
validation_data
Azure SDK for Python
Feedback
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i: https://aka.ms/ContentUserFeedback.
Skicka och visa feedback för