ModelProxy Klass
Anteckning
Det här är en experimentell klass och kan ändras när som helst. Mer information finns i https://aka.ms/azuremlexperimental.
Proxyobjekt för AutoML-modeller som möjliggör slutsatsdragning vid fjärrberäkning.
Skapa ett AutoML ModelProxy-objekt för att skicka slutsatsdragning till träningsmiljön.
- Arv
-
builtins.objectModelProxy
Konstruktor
ModelProxy(child_run, compute_target=None)
Parametrar
- child_run
Den underordnade körning som modellen laddas ned från.
- compute_target
Skriv över för den målberäkning som ska härledas.
Metoder
forecast |
Skicka ett jobb för att köra prognos på modellen för de angivna värdena. |
forecast_quantiles |
Skicka ett jobb för att köra forecast_quantiles på modellen för de angivna värdena. |
predict |
Skicka ett jobb för att köra förutsägelse på modellen för de angivna värdena. |
predict_proba |
Skicka ett jobb för att köra predict_proba på modellen för de angivna värdena. |
test |
Hämta förutsägelser från |
forecast
Skicka ett jobb för att köra prognos på modellen för de angivna värdena.
forecast(X_values: Any, y_values: Any | None = None) -> Tuple[AbstractDataset, AbstractDataset]
Parametrar
- X_values
- AbstractDataset eller DataFrame eller ndarray
Mata in testdata som prognosen ska köras på.
- y_values
- AbstractDataset eller DataFrame eller ndarray
Ange y-värden som prognosen ska köras på.
Returer
Prognosvärdena.
forecast_quantiles
Skicka ett jobb för att köra forecast_quantiles på modellen för de angivna värdena.
forecast_quantiles(X_values: Any, y_values: Any | None = None, forecast_destination: Any | None = None, ignore_data_errors: bool = False) -> AbstractDataset
Parametrar
- y_values
Ange y-värden som prognosen ska köras på.
- forecast_destination
- <xref:pandas.Timestamp>
Forecast_destination: ett tidsstämpelvärde. Prognoser kommer att göras hela vägen till forecast_destination tid, för alla korn. Ordlisteindata { grain -> tidsstämpel } accepteras inte. Om forecast_destination inte ges, kommer det att imputeras som den sista gången som inträffar i X_pred för varje korn.
predict
Skicka ett jobb för att köra förutsägelse på modellen för de angivna värdena.
predict(values: Any) -> AbstractDataset
Parametrar
- values
- AbstractDataset eller DataFrame eller ndarray
Indata för testdata som ska köras förutsägas.
Returer
De förutsagda värdena.
predict_proba
Skicka ett jobb för att köra predict_proba på modellen för de angivna värdena.
predict_proba(values: Any) -> AbstractDataset
Parametrar
- values
- AbstractDataset eller DataFrame eller ndarray
Indata för testdata som ska köras förutsägas.
Returer
De förutsagda värdena.
test
Hämta förutsägelser från test_data
och beräkna relevanta mått.
test(test_data: AbstractDataset, include_predictions_only: bool = False) -> Tuple[AbstractDataset, Dict[str, Any]]
Parametrar
- test_data
Testdatauppsättningen.
- include_predictions_only
Om du bara vill inkludera förutsägelserna som en del av predictions.csv utdata.
Om den här parametern är True
ser CSV-utdatakolumnerna ut som (prognostisering är samma som regression):
Classification => [predicted values], [probabilities]
Regression => [predicted values]
else (standard):
Classification => [original test data labels], [predicted values], [probabilities], [features]
Regression => [original test data labels], [predicted values], [features]
Kolumnnamnet [original test data labels]
= [label column name] + "_orig"
.
Kolumnnamnet [predicted values]
= [label column name] + "_predicted"
.
Kolumnnamnen [probabilities]
= [class name] + "_predicted_proba"
.
Kolumnnamnen [features]
= [feature column name] + "_orig"
.
test_data
Om inte innehåller en målkolumn [original test data labels]
kommer den inte att finnas i utdataramen.
Returer
En tupplar som innehåller de förutsagda värdena och måtten.
Feedback
https://aka.ms/ContentUserFeedback.
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:Skicka och visa feedback för