Jobs - Create Or Update

Tjänst:

Machine Learning

API-version:

2025-12-01

Skapar och kör ett jobb. För uppdateringsfall kommer taggarna i definitionen som skickas att ersätta taggar i det befintliga jobbet.
Skapar och kör ett jobb. För uppdateringsfall kommer taggarna i definitionen som skickas att ersätta taggar i det befintliga jobbet.

PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/jobs/{id}?api-version=2025-12-01

URI-parametrar

Name	I	Obligatorisk	Typ	Description
id	path	True	string	Namnet och identifieraren för jobbet. Det här är skiftlägeskänsligt.
resourceGroupName	path	True	string minLength: 1 maxLength: 90	Namnet på resursgruppen. Namnet är skiftlägesokänsligt.
subscriptionId	path	True	string minLength: 1	ID för målprenumerationen.
workspaceName	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$	Namn på Azure Machine Learning-arbetsyta
api-version	query	True	string minLength: 1	Den API-version som ska användas för den här åtgärden.

Begärandetext

Name	Obligatorisk	Typ	Description
properties	True	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Krävs] Ytterligare attribut för entiteten.

Svar

Name	Typ	Description
200 OK	JobBase	Resursens 'JobBase'-uppdateringsoperation lyckades
201 Created	JobBase	Resurs 'JobBase' skapade operation lyckades
Other Status Codes	ErrorResponse	Ett oväntat felsvar.

Säkerhet

azure_auth

Azure Active Directory OAuth2-flöde.

Typ: oauth2
Flow: implicit
Auktoriseringswebbadress: https://login.microsoftonline.com/common/oauth2/authorize

Omfattningar

Name	Description
user_impersonation	personifiera ditt användarkonto

Exempel

CreateOrUpdate AutoML Job.

CreateOrUpdate Command Job.

CreateOrUpdate Pipeline Job.

CreateOrUpdate Sweep Job.

CreateOrUpdate AutoML Job.

Exempelbegäran

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  }
}

Exempelsvar

Statuskod:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "Scheduled",
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

Statuskod:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "Scheduled",
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

CreateOrUpdate Command Job.

Exempelbegäran

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    }
  }
}

Exempelsvar

Statuskod:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "a0847709-f5aa-4561-8ba5-d915d403fdcf": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Statuskod:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "b8163d40-c351-43d6-8a34-d0cd895b8a5a": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Pipeline Job.

Exempelbegäran

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "settings": {},
    "tags": {
      "string": "string"
    }
  }
}

Exempelsvar

Statuskod:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Statuskod:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Sweep Job.

Exempelbegäran

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  }
}

Exempelsvar

Statuskod:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Statuskod:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Definitioner

Name	Description
AllNodes	Alla noder innebär att tjänsten kommer att köras på alla noder i jobbet
AmlToken	Identitetskonfiguration för AML-token.
AutoForecastHorizon	Prognoshorisonten bestäms automatiskt av systemet.
AutoMLJob	AutoMLJob-klassen. Använd den här klassen för att köra AutoML-uppgifter som klassificering/regression osv. Se TaskType-uppräkning för alla uppgifter som stöds.
AutoNCrossValidations	N-Cross-valideringar bestäms automatiskt.
AutoSeasonality
AutoTargetLags
AutoTargetRollingWindowSize	Det rullande fönstret för målfördröjningar bestäms automatiskt.
AzureDevOpsWebhook	Webhook-information som är specifik för Azure DevOps
BanditPolicy	Definierar en princip för tidig avslutning baserat på slack-kriterier och en frekvens och ett fördröjningsintervall för utvärdering
BayesianSamplingAlgorithm	Definierar en samplingsalgoritm som genererar värden baserat på tidigare värden
BlockedTransformers	Uppräkning för alla klassificeringsmodeller som stöds av AutoML.
Classification	Klassificeringsuppgift i lodrät AutoML-tabell.
ClassificationModels	Uppräkning för alla klassificeringsmodeller som stöds av AutoML.
ClassificationMultilabelPrimaryMetrics	Primära mått för klassificering av uppgifter med flera etiketter.
ClassificationPrimaryMetrics	Primära mått för klassificeringsuppgifter.
ClassificationTrainingSettings	Klassificering Träningsrelaterad konfiguration.
CommandJob	Definition av kommandojobb.
CommandJobLimits	Gränsklass för kommandojobb.
createdByType	Den typ av identitet som skapade resursen.
CustomForecastHorizon	Den önskade maximala prognoshorisonten i tidsseriefrekvensenheter.
CustomModelJobInput
CustomModelJobOutput
CustomNCrossValidations	N-Cross-valideringar specificeras av användaren.
CustomSeasonality
CustomTargetLags
CustomTargetRollingWindowSize
DistributionType	Räkna upp för att fastställa jobbfördelningstypen.
EarlyTerminationPolicyType
EmailNotificationEnableType	Räkna upp för att fastställa typen av e-postmeddelande.
ErrorAdditionalInfo	Ytterligare information om resurshanteringsfelet.
ErrorDetail	Felinformationen.
ErrorResponse	Felsvar
FeatureLags	Flagga för att generera fördröjningar för de numeriska funktionerna.
FeaturizationMode	Funktionaliseringsläge – Användaren kan behålla standardläget "Auto" och AutoML tar hand om nödvändig omvandling av data i funktionaliseringsfasen. Om "Av" har valts görs ingen funktionalisering. Om "Anpassad" har valts kan användaren ange ytterligare indata för att anpassa hur funktionalisering görs.
ForecastHorizonMode	Uppräkning för att bestämma läget för val av prognoshorisont.
Forecasting	Prognostiserade uppgifter i lodrät AutoML-tabell.
ForecastingModels	Uppräkning för alla prognosmodeller som stöds av AutoML.
ForecastingPrimaryMetrics	Primära mätvärden för prognosuppgiften.
ForecastingSettings	Prognostisera specifika parametrar.
ForecastingTrainingSettings	Prognostisera träningsrelaterad konfiguration.
Goal	Definierar måttmål som stöds för justering av hyperparametrar
GridSamplingAlgorithm	Definierar en samplingsalgoritm som uttömmande genererar varje värdekombination i utrymmet
IdentityConfigurationType	Räkna upp för att fastställa identitetsramverket.
ImageClassification	Klassificering av bilder. Bildklassificering med flera klasser används när en bild klassificeras med endast en enda etikett från en uppsättning klasser – t.ex. varje bild klassificeras som antingen en bild av en "katt" eller en "hund" eller en "anka".
ImageClassificationMultilabel	Bildklassificering med flera etiketter. Bildklassificering med flera etiketter används när en bild kan ha en eller flera etiketter från en uppsättning etiketter – t.ex. kan en bild vara märkt med både "katt" och "hund".
ImageInstanceSegmentation	Segmentering av bildinstanser. Instanssegmentering används för att identifiera objekt i en bild på pixelnivå och rita en polygon runt varje objekt i bilden.
ImageLimitSettings	Begränsa inställningarna för AutoML-jobbet.
ImageModelDistributionSettingsClassification	Distributionsuttryck för att svepa över värden för modellinställningar. <Exempel> Några exempel är: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelDistributionSettingsObjectDetection	Distributionsuttryck för att svepa över värden för modellinställningar. <Exempel> Några exempel är: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsClassification	Inställningar som används för att träna modellen. Mer information om tillgängliga inställningar finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsObjectDetection	Inställningar som används för att träna modellen. Mer information om tillgängliga inställningar finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageObjectDetection	Identifiering av bildobjekt. Objektidentifiering används för att identifiera objekt i en bild och lokalisera varje objekt med en avgränsningsruta, t.ex. lokalisera alla hundar och katter i en bild och rita en avgränsningsruta runt varje.
ImageSweepSettings	Sopning av modeller och hyperparametrar som sveper relaterade inställningar.
InputDeliveryMode	Räkna upp för att fastställa leveransläget för indata.
InstanceSegmentationPrimaryMetrics	Primära mätvärden för InstanceSegmentation-uppgifter.
JobBase	Azure Resource Manager resurs kuvert.
JobInputType	Räkna upp för att fastställa jobbindatatypen.
JobLimitsType
JobOutputType	Räkna upp för att fastställa utdatatypen för jobbet.
JobResourceConfiguration
JobService	Definition av jobbslutpunkt
JobStatus	Status för ett jobb.
JobTier	Räkna upp för att fastställa jobbnivån.
JobType	Räkna upp för att fastställa typen av jobb.
LearningRateScheduler	Uppräkning av schemaläggare för inlärningsfrekvens.
LiteralJobInput	Literal indatatyp.
LogVerbosity	Enum för att ställa in loggens utförlighet.
ManagedIdentity	Konfiguration av hanterad identitet.
MedianStoppingPolicy	Definierar en princip för tidig avslutning baserat på löpande medelvärden för det primära måttet för alla körningar
MLFlowModelJobInput
MLFlowModelJobOutput
MLTableJobInput
MLTableJobOutput
ModelSize	Storlek på bildmodell.
Mpi	Konfiguration av MPI-distribution.
NCrossValidationsMode	Bestämmer hur N-Cross-valideringsvärdet bestäms.
NlpVerticalFeaturizationSettings
NlpVerticalLimitSettings	Begränsningar för jobbkörning.
NodesValueType	De uppräknade typerna för nodvärdet
NotificationSetting	Konfiguration för meddelande.
ObjectDetectionPrimaryMetrics	Primära mått för Image ObjectDetection-uppgiften.
Objective	Mål för optimering.
OutputDeliveryMode	Uppräkningar för leveransläge för utdata.
PipelineJob	Definition av pipelinejobb: definierar generiska till MFE-attribut.
PyTorch	Konfiguration av PyTorch-distribution.
QueueSettings
RandomSamplingAlgorithm	Definierar en samplingsalgoritm som genererar värden slumpmässigt
RandomSamplingAlgorithmRule	Den specifika typen av slumpmässig algoritm
Regression	Regressionsuppgift i lodrät AutoML-tabell.
RegressionModels	Uppräkning för alla regressionsmodeller som stöds av AutoML.
RegressionPrimaryMetrics	Primära mått för regressionsuppgiften.
RegressionTrainingSettings	Konfiguration relaterad till regressionsträning.
SamplingAlgorithmType
SeasonalityMode	Prognostisera säsongsvariationer.
ShortSeriesHandlingConfiguration	Parametern som definierar hur AutoML ska hantera korta tidsserier.
SparkJob	Definition av Spark-jobb.
SparkJobEntryType
SparkJobPythonEntry
SparkJobScalaEntry
SparkResourceConfiguration
StackEnsembleSettings	Avancerar inställningen för att anpassa StackEnsemble-körningen.
StackMetaLearnerType	Meta-läranden är en modell tränad på resultatet från de individuella heterogena modellerna.\r\nStandardmeta-lärare är LogisticRegression för klassificeringsuppgifter (eller LogisticRegressionCV om korsvalidering är aktiverad) och ElasticNet för regressions-/prognosuppgifter (eller ElasticNetCV om korsvalidering är aktiverad).\r\nDenna parameter kan vara en av följande strängar: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor eller LinearRegression
StochasticOptimizer	Stokastisk optimerare för bildmodeller.
SweepJob	Definition av rensningsjobb.
SweepJobLimits	Gränsklass för svepjobb.
systemData	Metadata som rör skapande och senaste ändring av resursen.
TableVerticalFeaturizationSettings	Konfiguration av funktionalisering.
TableVerticalLimitSettings	Begränsningar för jobbkörning.
TargetAggregationFunction	Mål, mängdfunktion.
TargetLagsMode	Lägen för val av målfördröjningar.
TargetRollingWindowSizeMode	Storleksläge för rullande fönster för mål.
TaskType	AutoMLJob Aktivitetstyp.
TensorFlow	Konfiguration av TensorFlow-distribution.
TextClassification	Textklassificeringsuppgift i vertikal AutoML NLP. NLP - Behandling av naturligt språk.
TextClassificationMultilabel	Textklassificering Uppgift med flera etiketter i vertikal AutoML NLP. NLP - Behandling av naturligt språk.
TextNer	Text-NER uppgift i vertikal AutoML NLP. NER – Igenkänning av namngiven entitet. NLP - Behandling av naturligt språk.
TrialComponent	Utvärderingskomponentdefinition.
TritonModelJobInput
TritonModelJobOutput
TruncationSelectionPolicy	Definierar en princip för tidig avslutning som avbryter en viss procentandel körningar vid varje utvärderingsintervall.
UriFileJobInput
UriFileJobOutput
UriFolderJobInput
UriFolderJobOutput
UserIdentity	Konfiguration av användaridentitet.
UseStl	Konfigurera STL-nedbrytning av målkolumnen för tidsserier.
ValidationMetricType	Beräkningsmetod för metriska mått som ska användas för valideringsmått i bilduppgifter.
WebhookType	Räkna upp för att fastställa typen av webhook-återanropstjänst.

AllNodes

Objekt

Alla noder innebär att tjänsten kommer att köras på alla noder i jobbet

Name	Typ	Description
nodesValueType	string: All	[Krävs] Typ av nodvärde

AmlToken

Objekt

Identitetskonfiguration för AML-token.

Name	Typ	Description
identityType	string: AMLToken	[Krävs] Anger typen av identitetsramverk.

AutoForecastHorizon

Objekt

Prognoshorisonten bestäms automatiskt av systemet.

Name	Typ	Description
mode	string: Auto	[Krävs] Ange markeringsläge för prognoshorisontvärde.

AutoMLJob

Objekt

AutoMLJob-klassen. Använd den här klassen för att köra AutoML-uppgifter som klassificering/regression osv. Se TaskType-uppräkning för alla uppgifter som stöds.

Name	Typ	Standardvärde	Description
componentId	string		ARM-resurs-ID för komponentresursen.
computeId	string		ARM-resurs-ID för beräkningsresursen.
description	string		Texten för tillgångsbeskrivningen.
displayName	string		Visningsnamn för jobbet.
environmentId	string		ARM-resurs-ID för miljöspecifikationen för jobbet. Det här är ett valfritt värde för att ange, om det inte anges, att AutoML standardinställningen är produktionsversion av autoML-kurerad miljö när jobbet körs.
environmentVariables	object		Miljövariabler som ingår i jobbet.
experimentName	string	Default	Namnet på experimentet som jobbet tillhör. Om det inte anges placeras jobbet i experimentet "Standard".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Identitetskonfiguration. Om det anges bör detta vara en av AmlToken, ManagedIdentity, UserIdentity eller null. Standardvärdet är AmlToken om null.
isArchived	boolean	False	Arkiveras tillgången?
jobType	string: AutoML		[Krävs] Anger typen av jobb.
notificationSetting	NotificationSetting		Meddelandeinställning för jobbet
outputs	object		Mappning av utdatabindningar som används i jobbet.
properties	object		Ordlistan för tillgångsegenskap.
queueSettings	QueueSettings		Köinställningar för jobbet
resources	JobResourceConfiguration		Beräkningsresurskonfiguration för jobbet.
services	<string,  JobService>		Lista över JobEndpoints. För lokala jobb har en jobbslutpunkt ett slutpunktsvärde för FileStreamObject.
status	JobStatus		Status för jobbet.
tags	object		Taggordlista. Taggar kan läggas till, tas bort och uppdateras.
taskDetails	AutoMLVertical: Classification Forecasting ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextClassification TextClassificationMultilabel TextNer		[Krävs] Detta representerar scenario som kan vara en av tabeller/NLP/image

AutoNCrossValidations

Objekt

N-Cross-valideringar bestäms automatiskt.

Name	Typ	Description
mode	string: Auto	[Krävs] Läge för att fastställa N-Korsvalidering.

AutoSeasonality

Objekt

Name	Typ	Description
mode	string: Auto	[Krävs] Säsongsläge.

AutoTargetLags

Objekt

Name	Typ	Description
mode	string: Auto	[Krävs] Ange målfördröjningsläge – Automatiskt/anpassat

AutoTargetRollingWindowSize

Objekt

Det rullande fönstret för målfördröjningar bestäms automatiskt.

Name	Typ	Description
mode	string: Auto	[Krävs] TargetRollingWindowSiz identifieringsläge.

AzureDevOpsWebhook

Objekt

Webhook-information som är specifik för Azure DevOps

Name	Typ	Description
eventType	string	Skicka återanrop för en angiven meddelandehändelse
webhookType	string: AzureDevOps	[Krävs] Anger vilken typ av tjänst som ska skickas motringning

BanditPolicy

Objekt

Definierar en princip för tidig avslutning baserat på slack-kriterier och en frekvens och ett fördröjningsintervall för utvärdering

Name	Typ	Standardvärde	Description
delayEvaluation	integer (int32)	0	Antal intervall som den första utvärderingen ska fördröjas med.
evaluationInterval	integer (int32)	0	Intervall (antal körningar) mellan principutvärderingar.
policyType	string: Bandit		[Krävs] Namn på principkonfiguration
slackAmount	number (float)	0	Absolut avstånd som tillåts från den bästa körningen.
slackFactor	number (float)	0	Förhållandet mellan det tillåtna avståndet från den bäst presterande körningen.

BayesianSamplingAlgorithm

Objekt

Definierar en samplingsalgoritm som genererar värden baserat på tidigare värden

Name	Typ	Description
samplingAlgorithmType	string: Bayesian	[Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper

BlockedTransformers

Uppräkning

Uppräkning för alla klassificeringsmodeller som stöds av AutoML.

Värde	Description
TextTargetEncoder	Målkodning för textdata.
OneHotEncoder	Frekvent kodning skapar en binär funktionstransformering.
CatTargetEncoder	Målkodning för kategoriska data.
TfIdf	Tf-Idf står för term-frequency times invers document-frequency. Detta är ett vanligt termviktningsschema för att identifiera information från dokument.
WoETargetEncoder	Weight of Evidence-kodning är en teknik som används för att koda kategoriska variabler. Den använder den naturliga loggen för P(1)/P(0) för att skapa vikter.
LabelEncoder	Etikettkodare konverterar etiketter/kategoriska variabler i numerisk form.
WordEmbedding	Ordinbäddning hjälper till att representera ord eller fraser som en vektor eller en serie siffror.
NaiveBayes	Naive Bayes är en klassificering som används för klassificering av diskreta funktioner som är kategoriskt fördelade.
CountVectorizer	Count Vectorizer konverterar en samling textdokument till en matris med tokenantal.
HashOneHotEncoder	Hashing One Hot Encoder kan omvandla kategoriska variabler till ett begränsat antal nya funktioner. Detta används ofta för kategoriska funktioner med hög kardinalitet.

Classification

Objekt

Klassificeringsuppgift i lodrät AutoML-tabell.

Name	Typ	Standardvärde	Description
cvSplitColumnNames	string[]		Kolumner som ska användas för CVSplit-data.
featurizationSettings	TableVerticalFeaturizationSettings		Funktionaliseringsindata som behövs för AutoML-jobb.
limitSettings	TableVerticalLimitSettings		Körningsbegränsningar för AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum för att ställa in loggens utförlighet.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Antal korsvalideringsvikningar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte tillhandahålls.
positiveLabel	string		Positiv etikett för beräkning av binära mått.
primaryMetric	ClassificationPrimaryMetrics	AUCWeighted	Primära mått för klassificeringsuppgifter.
targetColumnName	string		Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
taskType	string: Classification		[Krävs] Aktivitetstyp för AutoMLJob.
testData	MLTableJobInput		Testa indata.
testDataSize	number (double)		Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Tillämpas när valideringsdatauppsättningen inte tillhandahålls.
trainingData	MLTableJobInput		[Krävs] Träningsdataindata.
trainingSettings	ClassificationTrainingSettings		Indata för träningsfasen för ett AutoML-jobb.
validationData	MLTableJobInput		Indata för valideringsdata.
validationDataSize	number (double)		Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Tillämpas när valideringsdatauppsättningen inte tillhandahålls.
weightColumnName	string		Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned.

ClassificationModels

Uppräkning

Uppräkning för alla klassificeringsmodeller som stöds av AutoML.

Värde	Description
LogisticRegression	Logistisk regression är en grundläggande klassificeringsteknik. Den tillhör gruppen linjära klassificerare och liknar i viss mån polynom och linjär regression. Logistisk regression är snabb och relativt okomplicerad, och det är bekvämt för dig att tolka resultaten. Även om det i princip är en metod för binär klassificering kan den också tillämpas på problem med flera klasser.
SGD	SGD: Stochastic gradient descent är en optimeringsalgoritm som ofta används i maskininlärningsapplikationer för att hitta de modellparametrar som motsvarar den bästa passformen mellan förutspådda och faktiska utdata.
MultinomialNaiveBayes	Den multinomiala Naive Bayes-klassificeraren är lämplig för klassificering med diskreta funktioner (t.ex. antal ord för textklassificering). Den multinomiala fördelningen kräver normalt antal heltalsfunktioner. I praktiken kan dock bråktal som tf-idf också fungera.
BernoulliNaiveBayes	Naive Bayes klassificerare för multivariata Bernoulli-modeller.
SVM	En stödvektormaskin (SVM) är en övervakad maskininlärningsmodell som använder klassificeringsalgoritmer för klassificeringsproblem med två grupper. När de har gett en SVM-modell uppsättningar med märkta träningsdata för varje kategori kan de kategorisera ny text.
LinearSVM	En stödvektormaskin (SVM) är en övervakad maskininlärningsmodell som använder klassificeringsalgoritmer för klassificeringsproblem med två grupper. När de har gett en SVM-modell uppsättningar med märkta träningsdata för varje kategori kan de kategorisera ny text. Linjär SVM fungerar bäst när indata är linjära, dvs. data kan enkelt klassificeras genom att dra den raka linjen mellan klassificerade värden på en plottad graf.
KNN	KNN-algoritmen (K-nearest neighbors) använder "funktionslikhet" för att förutsäga värdena för nya datapunkter, vilket ytterligare innebär att den nya datapunkten tilldelas ett värde baserat på hur nära den matchar punkterna i träningsuppsättningen.
DecisionTree	Beslutsträd är en icke-parametrisk övervakad inlärningsmetod som används för både klassificerings- och regressionsuppgifter. Målet är att skapa en modell som förutsäger värdet på en målvariabel genom att lära sig enkla beslutsregler som härleds från datafunktionerna.
RandomForest	Slumpmässig skog är en algoritm för övervakad inlärning. Den "skog" som skapas är en ensemble av beslutsträd, som vanligtvis tränas med metoden "bagging". Den allmänna idén med baggingmetoden är att en kombination av inlärningsmodeller ökar det totala resultatet.
ExtremeRandomTrees	Extreme Trees är en maskininlärningsalgoritm som kombinerar förutsägelserna från många beslutsträd. Det är relaterat till den allmänt använda algoritmen för slumpmässig skog.
LightGBM	LightGBM är ett gradientförstärkande ramverk som använder trädbaserade inlärningsalgoritmer.
GradientBoosting	Tekniken för att omvandla en veckas elev till en stark elev kallas Boosting. Gradient boosting-algoritmprocessen fungerar på denna teori om utförande.
XGBoostClassifier	XGBoost: Algoritm för extrem gradientförstärkning. Den här algoritmen används för strukturerad data där målkolumnvärden kan delas in i distinkta klassvärden.

ClassificationMultilabelPrimaryMetrics

Uppräkning

Primära mått för klassificering av uppgifter med flera etiketter.

Värde	Description
AUCWeighted	AUC är arean under kurvan. Det här måttet representerar det aritmetiska medelvärdet av poängen för varje klass, viktat med antalet sanna instanser i varje klass.
Accuracy	Noggrannhet är förhållandet mellan förutsägelser som exakt matchar de sanna klassetiketterna.
NormMacroRecall	Normaliserad makroåterkallning återkallar makro i genomsnitt och normaliseras, så att slumpmässiga prestanda har en poäng på 0 och perfekt prestanda har en poäng på 1.
AveragePrecisionScoreWeighted	Det aritmetiska medelvärdet av den genomsnittliga precisionspoängen för varje klass, viktat med antalet sanna instanser i varje klass.
PrecisionScoreWeighted	Det aritmetiska medelvärdet av precisionen för varje klass, viktat med antalet sanna instanser i varje klass.
IOU	Skärningspunkt över union. Skärningspunkt för förutsägelser dividerat med union av förutsägelser.

ClassificationPrimaryMetrics

Uppräkning

Primära mått för klassificeringsuppgifter.

Värde	Description
AUCWeighted	AUC är arean under kurvan. Det här måttet representerar det aritmetiska medelvärdet av poängen för varje klass, viktat med antalet sanna instanser i varje klass.
Accuracy	Noggrannhet är förhållandet mellan förutsägelser som exakt matchar de sanna klassetiketterna.
NormMacroRecall	Normaliserad makroåterkallning återkallar makro i genomsnitt och normaliseras, så att slumpmässiga prestanda har en poäng på 0 och perfekt prestanda har en poäng på 1.
AveragePrecisionScoreWeighted	Det aritmetiska medelvärdet av den genomsnittliga precisionspoängen för varje klass, viktat med antalet sanna instanser i varje klass.
PrecisionScoreWeighted	Det aritmetiska medelvärdet av precisionen för varje klass, viktat med antalet sanna instanser i varje klass.

ClassificationTrainingSettings

Objekt

Klassificering Träningsrelaterad konfiguration.

Name	Typ	Standardvärde	Description
allowedTrainingAlgorithms	ClassificationModels[]		Tillåtna modeller för klassificeringsaktivitet.
blockedTrainingAlgorithms	ClassificationModels[]		Blockerade modeller för klassificeringsaktivitet.
enableDnnTraining	boolean	False	Aktivera rekommendation för DNN-modeller.
enableModelExplainability	boolean	True	Flagga för att aktivera förklaring på bästa modell.
enableOnnxCompatibleModels	boolean	False	Flagga för att aktivera onnx-kompatibla modeller.
enableStackEnsemble	boolean	True	Aktivera stackensemblekörning.
enableVoteEnsemble	boolean	True	Aktivera röstningsensemblekörning.
ensembleModelDownloadTimeout	string (duration)	PT5M	Under VotingEnsemble- och StackEnsemble-modellgenereringen laddas flera anpassade modeller från de tidigare underordnade körningarna ned. Konfigurera den här parametern med ett högre värde än 300 sekunder om det behövs mer tid.
stackEnsembleSettings	StackEnsembleSettings		Inställningar för stackensembler för stackensemblekörning.

CommandJob

Objekt

Definition av kommandojobb.

Name	Typ	Standardvärde	Description
codeId	string		ARM-resurs-ID för kodtillgången.
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Krävs] Kommandot som ska köras vid start av jobbet. eg. "Python train.py"
componentId	string		ARM-resurs-ID för komponentresursen.
computeId	string		ARM-resurs-ID för beräkningsresursen.
description	string		Texten för tillgångsbeskrivningen.
displayName	string		Visningsnamn för jobbet.
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet.
environmentVariables	object		Miljövariabler som ingår i jobbet.
experimentName	string	Default	Namnet på experimentet som jobbet tillhör. Om det inte anges placeras jobbet i experimentet "Standard".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Identitetskonfiguration. Om det anges bör detta vara en av AmlToken, ManagedIdentity, UserIdentity eller null. Standardvärdet är AmlToken om null.
inputs	object		Mappning av indatabindningar som används i jobbet.
isArchived	boolean	False	Arkiveras tillgången?
jobType	string: Command		[Krävs] Anger typen av jobb.
limits	CommandJobLimits		Gräns för kommandojobb.
notificationSetting	NotificationSetting		Meddelandeinställning för jobbet
outputs	object		Mappning av utdatabindningar som används i jobbet.
parameters			Indataparametrar.
properties	object		Ordlistan för tillgångsegenskap.
queueSettings	QueueSettings		Köinställningar för jobbet
resources	JobResourceConfiguration		Beräkningsresurskonfiguration för jobbet.
services	<string,  JobService>		Lista över JobEndpoints. För lokala jobb har en jobbslutpunkt ett slutpunktsvärde för FileStreamObject.
status	JobStatus		Status för jobbet.
tags	object		Taggordlista. Taggar kan läggas till, tas bort och uppdateras.

CommandJobLimits

Objekt

Gränsklass för kommandojobb.

Name	Typ	Description
jobLimitsType	string: Command	[Krävs] JobLimit-typ.
timeout	string (duration)	Den maximala körningstiden i ISO 8601-format, varefter jobbet avbryts. Stöder endast varaktighet med så låg precision som Sekunder.

createdByType

Uppräkning

Den typ av identitet som skapade resursen.

Värde	Description
User
Application
ManagedIdentity
Key

CustomForecastHorizon

Objekt

Den önskade maximala prognoshorisonten i tidsseriefrekvensenheter.

Name	Typ	Description
mode	string: Custom	[Krävs] Ange markeringsläge för prognoshorisontvärde.
value	integer (int32)	[Krävs] Prognoshorisontvärde.

CustomModelJobInput

Objekt

Name	Typ	Standardvärde	Description
description	string		Beskrivning av indata.
jobInputType	string: custom_model		[Krävs] Anger typen av jobb.
mode	InputDeliveryMode	ReadOnlyMount	Räkna upp för att fastställa leveransläget för indata.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Krävs] Indatatillgångs-URI.

CustomModelJobOutput

Objekt

Name	Typ	Standardvärde	Description
assetName	string		Namn på utdatatillgång.
description	string		Beskrivning av utdata.
jobOutputType	string: custom_model		[Krävs] Anger typen av jobb.
mode	OutputDeliveryMode	ReadWriteMount	Uppräkningar för leveransläge för utdata.
uri	string		Utdatatillgångs-URI.

CustomNCrossValidations

Objekt

N-Cross-valideringar specificeras av användaren.

Name	Typ	Description
mode	string: Custom	[Krävs] Läge för att fastställa N-Korsvalidering.
value	integer (int32)	[Krävs] Värde för N-Korsvalidering.

CustomSeasonality

Objekt

Name	Typ	Description
mode	string: Custom	[Krävs] Säsongsläge.
value	integer (int32)	[Krävs] Säsongsvärde.

CustomTargetLags

Objekt

Name	Typ	Description
mode	string: Custom	[Krävs] Ange målfördröjningsläge – Automatiskt/anpassat
values	integer[] (int32)	[Krävs] Ange målfördröjningsvärden.

CustomTargetRollingWindowSize

Objekt

Name	Typ	Description
mode	string: Custom	[Krävs] TargetRollingWindowSiz identifieringsläge.
value	integer (int32)	[Krävs] TargetRollingWindowSize-värde.

DistributionType

Uppräkning

Räkna upp för att fastställa jobbfördelningstypen.

Värde	Description
PyTorch
TensorFlow
Mpi

EarlyTerminationPolicyType

Uppräkning

Värde	Description
Bandit
MedianStopping
TruncationSelection

EmailNotificationEnableType

Uppräkning

Räkna upp för att fastställa typen av e-postmeddelande.

Värde	Description
JobCompleted
JobFailed
JobCancelled

ErrorAdditionalInfo

Objekt

Ytterligare information om resurshanteringsfelet.

Name	Typ	Description
info	object	Ytterligare information.
type	string	Ytterligare informationstyp.

ErrorDetail

Objekt

Felinformationen.

Name	Typ	Description
additionalInfo	ErrorAdditionalInfo[]	Ytterligare information om felet.
code	string	Felkoden.
details	ErrorDetail[]	Felinformationen.
message	string	Felmeddelandet.
target	string	Felmålet.

ErrorResponse

Objekt

Felsvar

Name	Typ	Description
error	ErrorDetail	Felobjektet.

FeatureLags

Uppräkning

Flagga för att generera fördröjningar för de numeriska funktionerna.

Värde	Description
None	Inga funktionsfördröjningar genereras.
Auto	Systemet genererar automatiskt funktionsfördröjningar.

FeaturizationMode

Uppräkning

Funktionaliseringsläge – Användaren kan behålla standardläget "Auto" och AutoML tar hand om nödvändig omvandling av data i funktionaliseringsfasen. Om "Av" har valts görs ingen funktionalisering. Om "Anpassad" har valts kan användaren ange ytterligare indata för att anpassa hur funktionalisering görs.

Värde	Description
Auto	Autoläge, systemet utför funktionalisering utan några anpassade funktionaliseringsingångar.
Custom	Anpassad funktionalisering.
Off	Funktionalisering av. Uppgiften "Prognostisering" kan inte använda det här värdet.

ForecastHorizonMode

Uppräkning

Uppräkning för att bestämma läget för val av prognoshorisont.

Värde	Description
Auto	Prognoshorisonten fastställs automatiskt.
Custom	Använd den anpassade prognoshorisonten.

Forecasting

Objekt

Prognostiserade uppgifter i lodrät AutoML-tabell.

Name	Typ	Standardvärde	Description
cvSplitColumnNames	string[]		Kolumner som ska användas för CVSplit-data.
featurizationSettings	TableVerticalFeaturizationSettings		Funktionaliseringsindata som behövs för AutoML-jobb.
forecastingSettings	ForecastingSettings		Prognostisera aktivitetsspecifika indata.
limitSettings	TableVerticalLimitSettings		Körningsbegränsningar för AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum för att ställa in loggens utförlighet.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Antal korsvalideringsvikningar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte tillhandahålls.
primaryMetric	ForecastingPrimaryMetrics	NormalizedRootMeanSquaredError	Primära mätvärden för prognosuppgiften.
targetColumnName	string		Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
taskType	string: Forecasting		[Krävs] Aktivitetstyp för AutoMLJob.
testData	MLTableJobInput		Testa indata.
testDataSize	number (double)		Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Tillämpas när valideringsdatauppsättningen inte tillhandahålls.
trainingData	MLTableJobInput		[Krävs] Träningsdataindata.
trainingSettings	ForecastingTrainingSettings		Indata för träningsfasen för ett AutoML-jobb.
validationData	MLTableJobInput		Indata för valideringsdata.
validationDataSize	number (double)		Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Tillämpas när valideringsdatauppsättningen inte tillhandahålls.
weightColumnName	string		Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned.

ForecastingModels

Uppräkning

Uppräkning för alla prognosmodeller som stöds av AutoML.

Värde	Description
AutoArima	ARIMA-modellen (Auto-Autoregressive Integrated Moving Average) använder tidsseriedata och statistisk analys för att tolka data och göra framtida förutsägelser. Denna modell syftar till att förklara data genom att använda tidsseriedata på dess tidigare värden och använder linjär regression för att göra förutsägelser.
Prophet	Prophet är en procedur för att prognostisera tidsseriedata baserat på en additiv modell där icke-linjära trender passar ihop med års-, vecko- och dagssäsongsvariationer, plus semestereffekter. Det fungerar bäst med tidsserier som har starka säsongseffekter och flera säsonger med historiska data. Prophet är robust mot saknade data och förändringar i trenden, och hanterar vanligtvis extremvärden väl.
Naive	Den naiva prognosmodellen gör förutsägelser genom att föra vidare det senaste målvärdet för varje tidsserie i träningsdata.
SeasonalNaive	Prognosmodellen Seasonal Naive gör förutsägelser genom att föra vidare den senaste säsongen med målvärden för varje tidsserie i träningsdata.
Average	Prognosmodellen för genomsnitt gör förutsägelser genom att föra fram medelvärdet av målvärdena för varje tidsserie i träningsdata.
SeasonalAverage	Prognosmodellen för säsongsgenomsnitt gör förutsägelser genom att överföra medelvärdet för den senaste säsongens data för varje tidsserie i träningsdata.
ExponentialSmoothing	Exponentiell utjämning är en prognosmetod för tidsserier för univariata data som kan utökas för att stödja data med en systematisk trend eller säsongskomponent.
Arimax	En ARIMAX-modell (Autoregressive Integrated Moving Average with Explanatory Variable) kan ses som en multipel regressionsmodell med en eller flera autoregressiva (AR) termer och/eller ett eller flera glidande medelvärden (MA). Denna metod är lämplig för prognostisering när data är stationära/icke-stationära och multivariata med alla typer av datamönster, dvs. nivå/trend/säsongsvariation/cyklicitet.
TCNForecaster	TCNForecaster: Prognosmakare för temporala faltningsnätverk. TODO: Be prognosteamet om en kort introduktion.
ElasticNet	Elastiskt nät är en populär typ av regulariserad linjär regression som kombinerar två populära strafffunktioner, särskilt L1- och L2-strafffunktionerna.
GradientBoosting	Tekniken för att omvandla en veckas elev till en stark elev kallas Boosting. Gradient boosting-algoritmprocessen fungerar på denna teori om utförande.
DecisionTree	Beslutsträd är en icke-parametrisk övervakad inlärningsmetod som används för både klassificerings- och regressionsuppgifter. Målet är att skapa en modell som förutsäger värdet på en målvariabel genom att lära sig enkla beslutsregler som härleds från datafunktionerna.
KNN	KNN-algoritmen (K-nearest neighbors) använder "funktionslikhet" för att förutsäga värdena för nya datapunkter, vilket ytterligare innebär att den nya datapunkten tilldelas ett värde baserat på hur nära den matchar punkterna i träningsuppsättningen.
LassoLars	Lassomodellen passar ihop med Least Angle Regression a.k.a. Lars. Det är en linjär modell som tränats med en L1 tidigare som regulariserare.
SGD	SGD: Stochastic gradient descent är en optimeringsalgoritm som ofta används i maskininlärningsapplikationer för att hitta de modellparametrar som motsvarar den bästa passformen mellan förutspådda och faktiska utdata. Det är en inexakt men kraftfull teknik.
RandomForest	Slumpmässig skog är en algoritm för övervakad inlärning. Den "skog" som skapas är en ensemble av beslutsträd, som vanligtvis tränas med metoden "bagging". Den allmänna idén med baggingmetoden är att en kombination av inlärningsmodeller ökar det totala resultatet.
ExtremeRandomTrees	Extreme Trees är en maskininlärningsalgoritm som kombinerar förutsägelserna från många beslutsträd. Det är relaterat till den allmänt använda algoritmen för slumpmässig skog.
LightGBM	LightGBM är ett gradientförstärkande ramverk som använder trädbaserade inlärningsalgoritmer.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor är en övervakad maskininlärningsmodell som använder en ensemble av baselever.

ForecastingPrimaryMetrics

Uppräkning

Primära mätvärden för prognosuppgiften.

Värde	Description
SpearmanCorrelation	Spearmans rangkoefficient för korrelation är ett icke-parametriskt mått på rangkorrelation.
NormalizedRootMeanSquaredError	Normalized Root Mean Squared Error (NRMSE), RMSE, underlättar jämförelser mellan modeller med olika skalor.
R2Score	R2-poängen är ett av prestandautvärderingsmåtten för prognosbaserade maskininlärningsmodeller.
NormalizedMeanAbsoluteError	Det normaliserade genomsnittliga absoluta felet (NMAE) är ett valideringsmått för att jämföra det genomsnittliga absoluta felet (MAE) för (tids)serier med olika skalor.

ForecastingSettings

Objekt

Prognostisera specifika parametrar.

Name	Typ	Standardvärde	Description
countryOrRegionForHolidays	string		Land eller region för helgdagar för prognostiseringsuppgifter. Dessa bör vara ISO 3166 tvåbokstavs lands-/regionkoder, till exempel "US" eller "GB".
cvStepSize	integer (int32)		Antal perioder mellan ursprungstiden för en CV-vikning och nästa vik. Om till exempel CVStepSize = 3 för dagliga data kommer ursprungstiden för varje vikning att vara tre dagars mellanrum.
featureLags	FeatureLags	None	Flagga för att generera fördröjningar för de numeriska funktionerna.
forecastHorizon	ForecastHorizon: AutoForecastHorizon CustomForecastHorizon		Den önskade maximala prognoshorisonten i tidsseriefrekvensenheter.
frequency	string		Vid prognostisering representerar den här parametern den period med vilken prognosen önskas, till exempel dagligen, varje vecka, varje år osv. Prognosfrekvensen är datamängdsfrekvens som standard.
seasonality	Seasonality: AutoSeasonality CustomSeasonality		Ange säsongsvariationer för tidsserier som en heltalsmultipel för seriefrekvensen. Om säsongsvariationen är inställd på "auto" kommer den att härledas.
shortSeriesHandlingConfig	ShortSeriesHandlingConfiguration	Auto	Parametern som definierar hur AutoML ska hantera korta tidsserier.
targetAggregateFunction	TargetAggregationFunction	None	Mål, mängdfunktion.
targetLags	TargetLags: AutoTargetLags CustomTargetLags		Antalet tidigare perioder som ska fördröjas från målkolumnen.
targetRollingWindowSize	TargetRollingWindowSize: AutoTargetRollingWindowSize CustomTargetRollingWindowSize		Antalet tidigare perioder som används för att skapa ett rullande fönstergenomsnitt för målkolumnen.
timeColumnName	string		Namnet på tidskolumnen. Den här parametern krävs vid prognostisering för att ange kolumnen datetime i indata som används för att skapa tidsserierna och härleda dess frekvens.
timeSeriesIdColumnNames	string[]		Namnen på kolumner som används för att gruppera en tidsserie. Den kan användas för att skapa flera serier. Om kornigheten inte har definierats antas datauppsättningen vara en tidsserie. Den här parametern används med prognostisering av aktivitetstyp.
useStl	UseStl	None	Konfigurera STL-nedbrytning av målkolumnen för tidsserier.

ForecastingTrainingSettings

Objekt

Prognostisera träningsrelaterad konfiguration.

Name	Typ	Standardvärde	Description
allowedTrainingAlgorithms	ForecastingModels[]		Tillåtna modeller för prognostiseringsaktivitet.
blockedTrainingAlgorithms	ForecastingModels[]		Blockerade modeller för prognostiseringsaktivitet.
enableDnnTraining	boolean	False	Aktivera rekommendation för DNN-modeller.
enableModelExplainability	boolean	True	Flagga för att aktivera förklaring på bästa modell.
enableOnnxCompatibleModels	boolean	False	Flagga för att aktivera onnx-kompatibla modeller.
enableStackEnsemble	boolean	True	Aktivera stackensemblekörning.
enableVoteEnsemble	boolean	True	Aktivera röstningsensemblekörning.
ensembleModelDownloadTimeout	string (duration)	PT5M	Under VotingEnsemble- och StackEnsemble-modellgenereringen laddas flera anpassade modeller från de tidigare underordnade körningarna ned. Konfigurera den här parametern med ett högre värde än 300 sekunder om det behövs mer tid.
stackEnsembleSettings	StackEnsembleSettings		Inställningar för stackensembler för stackensemblekörning.

Goal

Uppräkning

Definierar måttmål som stöds för justering av hyperparametrar

Värde	Description
Minimize
Maximize

GridSamplingAlgorithm

Objekt

Definierar en samplingsalgoritm som uttömmande genererar varje värdekombination i utrymmet

Name	Typ	Description
samplingAlgorithmType	string: Grid	[Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper

IdentityConfigurationType

Uppräkning

Räkna upp för att fastställa identitetsramverket.

Värde	Description
Managed
AMLToken
UserIdentity

ImageClassification

Objekt

Klassificering av bilder. Bildklassificering med flera klasser används när en bild klassificeras med endast en enda etikett från en uppsättning klasser – t.ex. varje bild klassificeras som antingen en bild av en "katt" eller en "hund" eller en "anka".

Name	Typ	Standardvärde	Description
limitSettings	ImageLimitSettings		[Krävs] Begränsa inställningarna för AutoML-jobbet.
logVerbosity	LogVerbosity	Info	Enum för att ställa in loggens utförlighet.
modelSettings	ImageModelSettingsClassification		Inställningar som används för att träna modellen.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Primära mått för klassificeringsuppgifter.
searchSpace	ImageModelDistributionSettingsClassification[]		Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar.
sweepSettings	ImageSweepSettings		Sopning av modeller och hyperparametrar som sveper relaterade inställningar.
targetColumnName	string		Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
taskType	string: ImageClassification		[Krävs] Aktivitetstyp för AutoMLJob.
trainingData	MLTableJobInput		[Krävs] Träningsdataindata.
validationData	MLTableJobInput		Indata för valideringsdata.
validationDataSize	number (double)		Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Tillämpas när valideringsdatauppsättningen inte tillhandahålls.

ImageClassificationMultilabel

Objekt

Bildklassificering med flera etiketter. Bildklassificering med flera etiketter används när en bild kan ha en eller flera etiketter från en uppsättning etiketter – t.ex. kan en bild vara märkt med både "katt" och "hund".

Name	Typ	Standardvärde	Description
limitSettings	ImageLimitSettings		[Krävs] Begränsa inställningarna för AutoML-jobbet.
logVerbosity	LogVerbosity	Info	Enum för att ställa in loggens utförlighet.
modelSettings	ImageModelSettingsClassification		Inställningar som används för att träna modellen.
primaryMetric	ClassificationMultilabelPrimaryMetrics	IOU	Primära mått för klassificering av uppgifter med flera etiketter.
searchSpace	ImageModelDistributionSettingsClassification[]		Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar.
sweepSettings	ImageSweepSettings		Sopning av modeller och hyperparametrar som sveper relaterade inställningar.
targetColumnName	string		Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
taskType	string: ImageClassificationMultilabel		[Krävs] Aktivitetstyp för AutoMLJob.
trainingData	MLTableJobInput		[Krävs] Träningsdataindata.
validationData	MLTableJobInput		Indata för valideringsdata.
validationDataSize	number (double)		Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Tillämpas när valideringsdatauppsättningen inte tillhandahålls.

ImageInstanceSegmentation

Objekt

Segmentering av bildinstanser. Instanssegmentering används för att identifiera objekt i en bild på pixelnivå och rita en polygon runt varje objekt i bilden.

Name	Typ	Standardvärde	Description
limitSettings	ImageLimitSettings		[Krävs] Begränsa inställningarna för AutoML-jobbet.
logVerbosity	LogVerbosity	Info	Enum för att ställa in loggens utförlighet.
modelSettings	ImageModelSettingsObjectDetection		Inställningar som används för att träna modellen.
primaryMetric	InstanceSegmentationPrimaryMetrics	MeanAveragePrecision	Primära mätvärden för InstanceSegmentation-uppgifter.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar.
sweepSettings	ImageSweepSettings		Sopning av modeller och hyperparametrar som sveper relaterade inställningar.
targetColumnName	string		Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
taskType	string: ImageInstanceSegmentation		[Krävs] Aktivitetstyp för AutoMLJob.
trainingData	MLTableJobInput		[Krävs] Träningsdataindata.
validationData	MLTableJobInput		Indata för valideringsdata.
validationDataSize	number (double)		Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Tillämpas när valideringsdatauppsättningen inte tillhandahålls.

ImageLimitSettings

Objekt

Begränsa inställningarna för AutoML-jobbet.

Name	Typ	Standardvärde	Description
maxConcurrentTrials	integer (int32)	1	Maximalt antal samtidiga AutoML-iterationer.
maxTrials	integer (int32)	1	Maximalt antal AutoML-iterationer.
timeout	string (duration)	P7D	Tidsgräns för AutoML-jobb.

ImageModelDistributionSettingsClassification

Objekt

Distributionsuttryck för att svepa över värden för modellinställningar. <Exempel> Några exempel är:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Typ	Description
amsGradient	string	Aktivera AMSGrad när optimeraren är "adam" eller "adamw".
augmentations	string	Inställningar för att använda förhöjda inställningar.
beta1	string	Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
beta2	string	Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
distributed	string	Om distributionsträning ska användas.
earlyStopping	string	Aktivera tidig stopplogik under träning.
earlyStoppingDelay	string	Minsta antal epoker eller valideringsutvärderingar som ska vänta innan förbättring av primära mått spåras för tidigt stopp. Måste vara ett positivt heltal.
earlyStoppingPatience	string	Minsta antal epoker eller valideringsutvärderingar utan förbättring av primära mått innan körningen stoppas. Måste vara ett positivt heltal.
enableOnnxNormalization	string	Aktivera normalisering vid export av ONNX-modell.
evaluationFrequency	string	Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal.
gradientAccumulationStep	string	Gradientackumulering innebär att köra ett konfigurerat antal "GradAccumulationStep"-steg utan att uppdatera modellvikterna samtidigt som gradienterna för dessa steg ackumuleras och sedan använda de ackumulerade gradienterna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
layersToFreeze	string	Antal lager som ska frysas för modellen. Måste vara ett positivt heltal. Om du till exempel skickar 2 som värde för "seresnext" innebär det att du fryser layer0 och layer1. En fullständig lista över modeller som stöds och detaljer om lagerfrysning finns i: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1].
learningRateScheduler	string	Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg".
modelName	string	Namnet på den modell som ska användas för träning. Mer information om tillgängliga modeller finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	string	Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1].
nesterov	string	Aktivera nesterov när optimeraren är "sgd".
numberOfEpochs	string	Antal träningsepoker. Måste vara ett positivt heltal.
numberOfWorkers	string	Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal.
optimizer	string	Typ av optimerare. Måste vara antingen "sgd", "adam" eller "adamw".
randomSeed	string	Slumpmässigt frö som ska användas vid användning av deterministisk träning.
stepLRGamma	string	Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1].
stepLRStepSize	string	Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal.
trainingBatchSize	string	Träningsbatchstorlek. Måste vara ett positivt heltal.
trainingCropSize	string	Bildgrödstorlek som är indata till det neurala nätverket för träningsdatauppsättningen. Måste vara ett positivt heltal.
validationBatchSize	string	Valideringsbatchstorlek. Måste vara ett positivt heltal.
validationCropSize	string	Bildgrödstorlek som är indata till det neurala nätverket för valideringsdatauppsättningen. Måste vara ett positivt heltal.
validationResizeSize	string	Bildstorlek som du vill ändra storlek på innan du beskär för valideringsdatauppsättningen. Måste vara ett positivt heltal.
warmupCosineLRCycles	string	Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1].
warmupCosineLRWarmupEpochs	string	Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal.
weightDecay	string	Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1].
weightedLoss	string	Viktad förlust. De godkända värdena är 0 för ingen viktad förlust. 1 för viktad förlust med kvrt. (class_weights). 2 för viktad förlust med class_weights. Måste vara 0, 1 eller 2.

ImageModelDistributionSettingsObjectDetection

Objekt

Distributionsuttryck för att svepa över värden för modellinställningar. <Exempel> Några exempel är:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Typ	Description
amsGradient	string	Aktivera AMSGrad när optimeraren är "adam" eller "adamw".
augmentations	string	Inställningar för att använda förhöjda inställningar.
beta1	string	Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
beta2	string	Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
boxDetectionsPerImage	string	Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
boxScoreThreshold	string	Under slutsatsdragningen returnerar du endast förslag med en klassificeringspoäng som är större än BoxScoreThreshold. Måste vara en float i intervallet[0, 1].
distributed	string	Om distributionsträning ska användas.
earlyStopping	string	Aktivera tidig stopplogik under träning.
earlyStoppingDelay	string	Minsta antal epoker eller valideringsutvärderingar som ska vänta innan förbättring av primära mått spåras för tidigt stopp. Måste vara ett positivt heltal.
earlyStoppingPatience	string	Minsta antal epoker eller valideringsutvärderingar utan förbättring av primära mått innan körningen stoppas. Måste vara ett positivt heltal.
enableOnnxNormalization	string	Aktivera normalisering vid export av ONNX-modell.
evaluationFrequency	string	Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal.
gradientAccumulationStep	string	Gradientackumulering innebär att köra ett konfigurerat antal "GradAccumulationStep"-steg utan att uppdatera modellvikterna samtidigt som gradienterna för dessa steg ackumuleras och sedan använda de ackumulerade gradienterna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
imageSize	string	Bildstorlek för träning och validering. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds endast för yolov5-algoritmen.
layersToFreeze	string	Antal lager som ska frysas för modellen. Måste vara ett positivt heltal. Om du till exempel skickar 2 som värde för "seresnext" innebär det att du fryser layer0 och layer1. En fullständig lista över modeller som stöds och detaljer om lagerfrysning finns i: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1].
learningRateScheduler	string	Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg".
maxSize	string	Maximal storlek på bilden som ska skalas om innan den matas till stamnätet. Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
minSize	string	Minsta storlek på bilden som ska skalas om innan den matas till stamnätet. Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
modelName	string	Namnet på den modell som ska användas för träning. Mer information om tillgängliga modeller finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	string	Modellstorlek. Måste vara "liten", "medium", "stor" eller "xlarge". Obs! Träningskörning kan komma in i CUDA OOM om modellstorleken är för stor. Obs! De här inställningarna stöds endast för yolov5-algoritmen.
momentum	string	Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1].
multiScale	string	Aktivera flera skalningsbilder genom att variera bildstorleken med +/- 50%. Obs! Träningskörning kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne. Obs! De här inställningarna stöds endast för yolov5-algoritmen.
nesterov	string	Aktivera nesterov när optimeraren är "sgd".
nmsIouThreshold	string	IOU-tröskelvärde som används vid slutsatsdragning i NMS efter bearbetning. Måste vara flytande i intervallet [0, 1].
numberOfEpochs	string	Antal träningsepoker. Måste vara ett positivt heltal.
numberOfWorkers	string	Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal.
optimizer	string	Typ av optimerare. Måste vara antingen "sgd", "adam" eller "adamw".
randomSeed	string	Slumpmässigt frö som ska användas vid användning av deterministisk träning.
stepLRGamma	string	Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1].
stepLRStepSize	string	Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal.
tileGridSize	string	Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. TileGridSize får inte vara Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
tileOverlapRatio	string	Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1). Obs! De här inställningarna stöds inte för yolov5-algoritmen.
tilePredictionsNmsThreshold	string	Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder. Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1]. Obs! De här inställningarna stöds inte för yolov5-algoritmen. NMS: Icke-maximal undertryckning
trainingBatchSize	string	Träningsbatchstorlek. Måste vara ett positivt heltal.
validationBatchSize	string	Valideringsbatchstorlek. Måste vara ett positivt heltal.
validationIouThreshold	string	Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1].
validationMetricType	string	Beräkningsmetod för mått som ska användas för valideringsmått. Måste vara "none", "coco", "voc" eller "coco_voc".
warmupCosineLRCycles	string	Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1].
warmupCosineLRWarmupEpochs	string	Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal.
weightDecay	string	Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1].

ImageModelSettingsClassification

Objekt

Inställningar som används för att träna modellen. Mer information om tillgängliga inställningar finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Typ	Standardvärde	Description
advancedSettings	string		Inställningar för avancerade scenarier.
amsGradient	boolean		Aktivera AMSGrad när optimeraren är "adam" eller "adamw".
augmentations	string		Inställningar för att använda förhöjda inställningar.
beta1	number (float)		Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
beta2	number (float)		Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
checkpointFrequency	integer (int32)		Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal.
checkpointModel	MLFlowModelJobInput		Den förtränad kontrollpunktsmodellen för inkrementell träning.
checkpointRunId	string		ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning.
distributed	boolean		Om du vill använda distribuerad träning.
earlyStopping	boolean		Aktivera tidig stopplogik under träning.
earlyStoppingDelay	integer (int32)		Minsta antal epoker eller valideringsutvärderingar som ska vänta innan förbättring av primära mått spåras för tidigt stopp. Måste vara ett positivt heltal.
earlyStoppingPatience	integer (int32)		Minsta antal epoker eller valideringsutvärderingar utan förbättring av primära mått innan körningen stoppas. Måste vara ett positivt heltal.
enableOnnxNormalization	boolean		Aktivera normalisering vid export av ONNX-modell.
evaluationFrequency	integer (int32)		Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal.
gradientAccumulationStep	integer (int32)		Gradientackumulering innebär att köra ett konfigurerat antal "GradAccumulationStep"-steg utan att uppdatera modellvikterna samtidigt som gradienterna för dessa steg ackumuleras och sedan använda de ackumulerade gradienterna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
layersToFreeze	integer (int32)		Antal lager som ska frysas för modellen. Måste vara ett positivt heltal. Om du till exempel skickar 2 som värde för "seresnext" innebär det att du fryser layer0 och layer1. En fullständig lista över modeller som stöds och detaljer om lagerfrysning finns i: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1].
learningRateScheduler	LearningRateScheduler	None	Uppräkning av schemaläggare för inlärningsfrekvens.
modelName	string		Namnet på den modell som ska användas för träning. Mer information om tillgängliga modeller finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	number (float)		Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1].
nesterov	boolean		Aktivera nesterov när optimeraren är "sgd".
numberOfEpochs	integer (int32)		Antal träningsepoker. Måste vara ett positivt heltal.
numberOfWorkers	integer (int32)		Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal.
optimizer	StochasticOptimizer	None	Stokastisk optimerare för bildmodeller.
randomSeed	integer (int32)		Slumpmässigt frö som ska användas vid användning av deterministisk träning.
stepLRGamma	number (float)		Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1].
stepLRStepSize	integer (int32)		Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal.
trainingBatchSize	integer (int32)		Träningsbatchstorlek. Måste vara ett positivt heltal.
trainingCropSize	integer (int32)		Bildgrödstorlek som är indata till det neurala nätverket för träningsdatauppsättningen. Måste vara ett positivt heltal.
validationBatchSize	integer (int32)		Valideringsbatchstorlek. Måste vara ett positivt heltal.
validationCropSize	integer (int32)		Bildgrödstorlek som är indata till det neurala nätverket för valideringsdatauppsättningen. Måste vara ett positivt heltal.
validationResizeSize	integer (int32)		Bildstorlek som du vill ändra storlek på innan du beskär för valideringsdatauppsättningen. Måste vara ett positivt heltal.
warmupCosineLRCycles	number (float)		Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal.
weightDecay	number (float)		Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1].
weightedLoss	integer (int32)		Viktad förlust. De godkända värdena är 0 för ingen viktad förlust. 1 för viktad förlust med kvrt. (class_weights). 2 för viktad förlust med class_weights. Måste vara 0, 1 eller 2.

ImageModelSettingsObjectDetection

Objekt

Inställningar som används för att träna modellen. Mer information om tillgängliga inställningar finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Typ	Standardvärde	Description
advancedSettings	string		Inställningar för avancerade scenarier.
amsGradient	boolean		Aktivera AMSGrad när optimeraren är "adam" eller "adamw".
augmentations	string		Inställningar för att använda förhöjda inställningar.
beta1	number (float)		Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
beta2	number (float)		Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
boxDetectionsPerImage	integer (int32)		Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
boxScoreThreshold	number (float)		Under slutsatsdragningen returnerar du endast förslag med en klassificeringspoäng som är större än BoxScoreThreshold. Måste vara en float i intervallet[0, 1].
checkpointFrequency	integer (int32)		Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal.
checkpointModel	MLFlowModelJobInput		Den förtränad kontrollpunktsmodellen för inkrementell träning.
checkpointRunId	string		ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning.
distributed	boolean		Om du vill använda distribuerad träning.
earlyStopping	boolean		Aktivera tidig stopplogik under träning.
earlyStoppingDelay	integer (int32)		Minsta antal epoker eller valideringsutvärderingar som ska vänta innan förbättring av primära mått spåras för tidigt stopp. Måste vara ett positivt heltal.
earlyStoppingPatience	integer (int32)		Minsta antal epoker eller valideringsutvärderingar utan förbättring av primära mått innan körningen stoppas. Måste vara ett positivt heltal.
enableOnnxNormalization	boolean		Aktivera normalisering vid export av ONNX-modell.
evaluationFrequency	integer (int32)		Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal.
gradientAccumulationStep	integer (int32)		Gradientackumulering innebär att köra ett konfigurerat antal "GradAccumulationStep"-steg utan att uppdatera modellvikterna samtidigt som gradienterna för dessa steg ackumuleras och sedan använda de ackumulerade gradienterna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
imageSize	integer (int32)		Bildstorlek för träning och validering. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds endast för yolov5-algoritmen.
layersToFreeze	integer (int32)		Antal lager som ska frysas för modellen. Måste vara ett positivt heltal. Om du till exempel skickar 2 som värde för "seresnext" innebär det att du fryser layer0 och layer1. En fullständig lista över modeller som stöds och detaljer om lagerfrysning finns i: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1].
learningRateScheduler	LearningRateScheduler	None	Uppräkning av schemaläggare för inlärningsfrekvens.
maxSize	integer (int32)		Maximal storlek på bilden som ska skalas om innan den matas till stamnätet. Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
minSize	integer (int32)		Minsta storlek på bilden som ska skalas om innan den matas till stamnätet. Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
modelName	string		Namnet på den modell som ska användas för träning. Mer information om tillgängliga modeller finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	ModelSize	None	Storlek på bildmodell.
momentum	number (float)		Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1].
multiScale	boolean		Aktivera flera skalningsbilder genom att variera bildstorleken med +/- 50%. Obs! Träningskörning kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne. Obs! De här inställningarna stöds endast för yolov5-algoritmen.
nesterov	boolean		Aktivera nesterov när optimeraren är "sgd".
nmsIouThreshold	number (float)		IOU-tröskelvärde som används vid slutsatsdragning i NMS efter bearbetning. Måste vara en flottör i intervallet [0, 1].
numberOfEpochs	integer (int32)		Antal träningsepoker. Måste vara ett positivt heltal.
numberOfWorkers	integer (int32)		Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal.
optimizer	StochasticOptimizer	None	Stokastisk optimerare för bildmodeller.
randomSeed	integer (int32)		Slumpmässigt frö som ska användas vid användning av deterministisk träning.
stepLRGamma	number (float)		Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1].
stepLRStepSize	integer (int32)		Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal.
tileGridSize	string		Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. TileGridSize får inte vara Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
tileOverlapRatio	number (float)		Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1). Obs! De här inställningarna stöds inte för yolov5-algoritmen.
tilePredictionsNmsThreshold	number (float)		Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder. Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1]. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
trainingBatchSize	integer (int32)		Träningsbatchstorlek. Måste vara ett positivt heltal.
validationBatchSize	integer (int32)		Valideringsbatchstorlek. Måste vara ett positivt heltal.
validationIouThreshold	number (float)		Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1].
validationMetricType	ValidationMetricType	None	Beräkningsmetod för metriska mått som ska användas för valideringsmått i bilduppgifter.
warmupCosineLRCycles	number (float)		Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal.
weightDecay	number (float)		Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1].

ImageObjectDetection

Objekt

Identifiering av bildobjekt. Objektidentifiering används för att identifiera objekt i en bild och lokalisera varje objekt med en avgränsningsruta, t.ex. lokalisera alla hundar och katter i en bild och rita en avgränsningsruta runt varje.

Name	Typ	Standardvärde	Description
limitSettings	ImageLimitSettings		[Krävs] Begränsa inställningarna för AutoML-jobbet.
logVerbosity	LogVerbosity	Info	Enum för att ställa in loggens utförlighet.
modelSettings	ImageModelSettingsObjectDetection		Inställningar som används för att träna modellen.
primaryMetric	ObjectDetectionPrimaryMetrics	MeanAveragePrecision	Primära mått för Image ObjectDetection-uppgiften.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar.
sweepSettings	ImageSweepSettings		Sopning av modeller och hyperparametrar som sveper relaterade inställningar.
targetColumnName	string		Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
taskType	string: ImageObjectDetection		[Krävs] Aktivitetstyp för AutoMLJob.
trainingData	MLTableJobInput		[Krävs] Träningsdataindata.
validationData	MLTableJobInput		Indata för valideringsdata.
validationDataSize	number (double)		Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Tillämpas när valideringsdatauppsättningen inte tillhandahålls.

ImageSweepSettings

Objekt

Sopning av modeller och hyperparametrar som sveper relaterade inställningar.

Name	Typ	Description
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy	Typ av princip för tidig uppsägning.
samplingAlgorithm	SamplingAlgorithmType	[Krävs] Typ av algoritmer för hyperparametersampling.

InputDeliveryMode

Uppräkning

Räkna upp för att fastställa leveransläget för indata.

Värde	Description
ReadOnlyMount
ReadWriteMount
Download
Direct
EvalMount
EvalDownload

InstanceSegmentationPrimaryMetrics

Uppräkning

Primära mätvärden för InstanceSegmentation-uppgifter.

Värde	Description
MeanAveragePrecision	MAP (Mean Average Precision) är medelvärdet av AP (Average Precision). AP beräknas för varje klass och beräknas som ett genomsnitt för att få MAP.

JobBase

Objekt

Azure Resource Manager resurs kuvert.

Name	Typ	Description
id	string	Fullständigt kvalificerat resurs-ID för resursen. Ex – /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName}
name	string	Namnet på resursen
properties	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Krävs] Ytterligare attribut för entiteten.
systemData	systemData	Azure Resource Manager-metadata som innehåller createdBy och modifiedBy information.
type	string	Resurstypen. T.ex. "Microsoft.Compute/virtualMachines" eller "Microsoft.Storage/storageAccounts"

JobInputType

Uppräkning

Räkna upp för att fastställa jobbindatatypen.

Värde	Description
literal
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobLimitsType

Uppräkning

Värde	Description
Command
Sweep

JobOutputType

Uppräkning

Räkna upp för att fastställa utdatatypen för jobbet.

Värde	Description
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobResourceConfiguration

Objekt

Name	Typ	Standardvärde	Description
dockerArgs	string		Extra argument att skicka till Docker-körningskommandot. Detta skulle åsidosätta alla parametrar som redan har angetts av systemet, eller i det här avsnittet. Den här parametern stöds endast för Azure ML-beräkningstyper.
dockerArgsList	string[]		Extra argument för att skicka till Kommandot Docker-körning som en samling. Detta skulle åsidosätta alla parametrar som redan har angetts av systemet, eller i det här avsnittet. Den här parametern stöds endast för Azure ML-beräkningstyper.
instanceCount	integer (int32)	1	Valfritt antal instanser eller noder som används av beräkningsmålet.
instanceType	string		Valfri typ av virtuell dator som stöds av beräkningsmålet.
properties			Ytterligare egenskapsväska.
shmSize	string pattern: \d+[bBkKmMgG]	2g	Storleken på docker-containerns delade minnesblock. Detta bör vara i formatet (number)(unit) där talet ska vara större än 0 och enheten kan vara en av b(byte), k(kilobyte), m(megabyte) eller g(gigabyte).

JobService

Objekt

Definition av jobbslutpunkt

Name	Typ	Description
endpoint	string	Url för slutpunkt.
errorMessage	string	Eventuella fel i tjänsten.
jobServiceType	string	Slutpunktstyp.
nodes	Nodes: AllNodes	Noder som användaren vill starta tjänsten på. Om Noder inte har angetts eller angetts till null startas tjänsten endast på leader-noden.
port	integer (int32)	Port för slutpunkt.
properties	object	Ytterligare egenskaper som ska anges på slutpunkten.
status	string	Status för slutpunkten.

JobStatus

Uppräkning

Status för ett jobb.

Värde	Description
NotStarted	Körningen har inte startat ännu.
Starting	Löpningen har börjat. Användaren har ett körnings-ID.
Provisioning	(Används inte för närvarande) Den används om ES skapar beräkningsmålet.
Preparing	Körmiljön håller på att förberedas.
Queued	Jobbet placeras i kö i beräkningsmålet. I BatchAI är jobbet till exempel i köläge i väntan på att alla nödvändiga noder ska vara klara.
Running	Jobbet började köras i beräkningsmålet.
Finalizing	Jobbet har slutförts i målet. Den är i utdatainsamlingstillstånd nu.
CancelRequested	Annullering har begärts för jobbet.
Completed	Jobbet har slutförts. Detta återspeglar att både själva jobbet och utdatainsamlingstillstånden har slutförts
Failed	Jobbet misslyckades.
Canceled	Efter begäran om annullering har jobbet nu avbrutits.
NotResponding	När pulsslag är aktiverat, om körningen inte uppdaterar någon information till RunHistory, går körningen till NotResponding tillstånd. NotResponding är det enda tillstånd som är undantaget från strikta övergångsorder. En körning kan gå från NotResponding till något av de tidigare tillstånden.
Paused	Jobbet pausas av användare. Vissa justeringar av etiketteringsjobb kan endast göras i pausat tillstånd.
Unknown	Standardjobbstatus om den inte är mappad till alla andra statusar

JobTier

Uppräkning

Räkna upp för att fastställa jobbnivån.

Värde	Description
Null
Spot
Basic
Standard
Premium

JobType

Uppräkning

Räkna upp för att fastställa typen av jobb.

Värde	Description
AutoML
Command
Sweep
Pipeline
Spark

LearningRateScheduler

Uppräkning

Uppräkning av schemaläggare för inlärningsfrekvens.

Värde	Description
None	Ingen schemaläggare för inlärningshastighet har valts.
WarmupCosine	Cosinusglödgning med uppvärmning.
Step	Schemaläggare för steginlärningshastighet.

LiteralJobInput

Objekt

Literal indatatyp.

Name	Typ	Description
description	string	Beskrivning av indata.
jobInputType	string: literal	[Krävs] Anger typen av jobb.
value	string minLength: 1 pattern: [a-zA-Z0-9_]	[Krävs] Literalvärde för indata.

LogVerbosity

Uppräkning

Enum för att ställa in loggens utförlighet.

Värde	Description
NotSet	Inga loggar genereras.
Debug	Felsökning och loggade logginstruktioner ovanför.
Info	Info och loggutdrag ovan loggas.
Warning	Varning och loggutdrag över loggning.
Error	Fel och loggutdrag över loggning.
Critical	Endast kritiska uttalanden loggas.

ManagedIdentity

Objekt

Konfiguration av hanterad identitet.

Name	Typ	Description
clientId	string (uuid)	Anger en användartilldelad identitet efter klient-ID. Ange inte det här fältet för systemtilldelade.
identityType	string: Managed	[Krävs] Anger typen av identitetsramverk.
objectId	string (uuid)	Anger en användartilldelad identitet efter objekt-ID. Ange inte det här fältet för systemtilldelade.
resourceId	string	Anger en användartilldelad identitet efter ARM-resurs-ID. Ange inte det här fältet för systemtilldelade.

MedianStoppingPolicy

Objekt

Definierar en princip för tidig avslutning baserat på löpande medelvärden för det primära måttet för alla körningar

Name	Typ	Standardvärde	Description
delayEvaluation	integer (int32)	0	Antal intervall som den första utvärderingen ska fördröjas med.
evaluationInterval	integer (int32)	0	Intervall (antal körningar) mellan principutvärderingar.
policyType	string: MedianStopping		[Krävs] Namn på principkonfiguration

MLFlowModelJobInput

Objekt

Name	Typ	Standardvärde	Description
description	string		Beskrivning av indata.
jobInputType	string: mlflow_model		[Krävs] Anger typen av jobb.
mode	InputDeliveryMode	ReadOnlyMount	Räkna upp för att fastställa leveransläget för indata.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Krävs] Indatatillgångs-URI.

MLFlowModelJobOutput

Objekt

Name	Typ	Standardvärde	Description
assetName	string		Namn på utdatatillgång.
description	string		Beskrivning av utdata.
jobOutputType	string: mlflow_model		[Krävs] Anger typen av jobb.
mode	OutputDeliveryMode	ReadWriteMount	Uppräkningar för leveransläge för utdata.
uri	string		Utdatatillgångs-URI.

MLTableJobInput

Objekt

Name	Typ	Standardvärde	Description
description	string		Beskrivning av indata.
jobInputType	string: mltable		[Krävs] Anger typen av jobb.
mode	InputDeliveryMode	ReadOnlyMount	Räkna upp för att fastställa leveransläget för indata.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Krävs] Indatatillgångs-URI.

MLTableJobOutput

Objekt

Name	Typ	Standardvärde	Description
assetName	string		Namn på utdatatillgång.
description	string		Beskrivning av utdata.
jobOutputType	string: mltable		[Krävs] Anger typen av jobb.
mode	OutputDeliveryMode	ReadWriteMount	Uppräkningar för leveransläge för utdata.
uri	string		Utdatatillgångs-URI.

ModelSize

Uppräkning

Storlek på bildmodell.

Värde	Description
None	Inget värde har valts.
Small	Liten storlek.
Medium	Medelstor.
Large	Stor storlek.
ExtraLarge	Extra stor storlek.

Mpi

Objekt

Konfiguration av MPI-distribution.

Name	Typ	Description
distributionType	string: Mpi	[Krävs] Anger typ av distributionsramverk.
processCountPerInstance	integer (int32)	Antal processer per MPI-nod.

NCrossValidationsMode

Uppräkning

Bestämmer hur N-Cross-valideringsvärdet bestäms.

Värde	Description
Auto	Bestäm N-Cross-valideringsvärdet automatiskt. Stöds endast för AutoML-uppgiften "Prognostisering".
Custom	Använd anpassat N-Cross-valideringsvärde.

NlpVerticalFeaturizationSettings

Objekt

Name	Typ	Description
datasetLanguage	string	Datamängdsspråk, användbart för textdata.

NlpVerticalLimitSettings

Objekt

Begränsningar för jobbkörning.

Name	Typ	Standardvärde	Description
maxConcurrentTrials	integer (int32)	1	Maximalt antal samtidiga AutoML-iterationer.
maxTrials	integer (int32)	1	Antal AutoML-iterationer.
timeout	string (duration)	P7D	Tidsgräns för AutoML-jobb.

NodesValueType

Uppräkning

De uppräknade typerna för nodvärdet

Värde	Description
All

NotificationSetting

Objekt

Konfiguration för meddelande.

Name	Typ	Description
emailOn	EmailNotificationEnableType[]	Skicka e-postavisering till användare med angiven meddelandetyp
emails	string[]	Det här är listan över e-postmottagare som har en begränsning på 499 tecken i total sammanfogning med kommaavgränsare
webhooks	object	Skicka webhook-återanrop till en tjänst. Nyckeln är ett användarnamn för webhooken.

ObjectDetectionPrimaryMetrics

Uppräkning

Primära mått för Image ObjectDetection-uppgiften.

Värde	Description
MeanAveragePrecision	MAP (Mean Average Precision) är medelvärdet av AP (Average Precision). AP beräknas för varje klass och beräknas som ett genomsnitt för att få MAP.

Objective

Objekt

Mål för optimering.

Name	Typ	Description
goal	Goal	[Krävs] Definierar måttmål som stöds för justering av hyperparametrar
primaryMetric	string minLength: 1 pattern: [a-zA-Z0-9_]	[Krävs] Namnet på måttet som ska optimeras.

OutputDeliveryMode

Uppräkning

Uppräkningar för leveransläge för utdata.

Värde	Description
ReadWriteMount
Upload
Direct

PipelineJob

Objekt

Definition av pipelinejobb: definierar generiska till MFE-attribut.

Name	Typ	Standardvärde	Description
componentId	string		ARM-resurs-ID för komponentresursen.
computeId	string		ARM-resurs-ID för beräkningsresursen.
description	string		Texten för tillgångsbeskrivningen.
displayName	string		Visningsnamn för jobbet.
experimentName	string	Default	Namnet på experimentet som jobbet tillhör. Om det inte anges placeras jobbet i experimentet "Standard".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Identitetskonfiguration. Om det anges bör detta vara en av AmlToken, ManagedIdentity, UserIdentity eller null. Standardvärdet är AmlToken om null.
inputs	object		Indata för pipelinejobbet.
isArchived	boolean	False	Arkiveras tillgången?
jobType	string: Pipeline		[Krävs] Anger typen av jobb.
jobs			Jobb konstruerar pipelinejobbet.
notificationSetting	NotificationSetting		Meddelandeinställning för jobbet
outputs	object		Utdata för pipelinejobbet
properties	object		Ordlistan för tillgångsegenskap.
services	<string,  JobService>		Lista över JobEndpoints. För lokala jobb har en jobbslutpunkt ett slutpunktsvärde för FileStreamObject.
settings			Pipelineinställningar, till exempel ContinueRunOnStepFailure osv.
sourceJobId	string		ARM-resurs-ID för källjobbet.
status	JobStatus		Status för jobbet.
tags	object		Taggordlista. Taggar kan läggas till, tas bort och uppdateras.

PyTorch

Objekt

Konfiguration av PyTorch-distribution.

Name	Typ	Description
distributionType	string: PyTorch	[Krävs] Anger typ av distributionsramverk.
processCountPerInstance	integer (int32)	Antal processer per nod.

QueueSettings

Objekt

Name	Typ	Standardvärde	Description
jobTier	JobTier	Null	Räkna upp för att fastställa jobbnivån.

RandomSamplingAlgorithm

Objekt

Definierar en samplingsalgoritm som genererar värden slumpmässigt

Name	Typ	Standardvärde	Description
rule	RandomSamplingAlgorithmRule	Random	Den specifika typen av slumpmässig algoritm
samplingAlgorithmType	string: Random		[Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper
seed	integer (int32)		Ett valfritt heltal som ska användas som frö för slumptalsgenerering

RandomSamplingAlgorithmRule

Uppräkning

Den specifika typen av slumpmässig algoritm

Värde	Description
Random
Sobol

Regression

Objekt

Regressionsuppgift i lodrät AutoML-tabell.

Name	Typ	Standardvärde	Description
cvSplitColumnNames	string[]		Kolumner som ska användas för CVSplit-data.
featurizationSettings	TableVerticalFeaturizationSettings		Funktionaliseringsindata som behövs för AutoML-jobb.
limitSettings	TableVerticalLimitSettings		Körningsbegränsningar för AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum för att ställa in loggens utförlighet.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Antal korsvalideringsvikningar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte tillhandahålls.
primaryMetric	RegressionPrimaryMetrics	NormalizedRootMeanSquaredError	Primära mått för regressionsuppgiften.
targetColumnName	string		Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
taskType	string: Regression		[Krävs] Aktivitetstyp för AutoMLJob.
testData	MLTableJobInput		Testa indata.
testDataSize	number (double)		Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Tillämpas när valideringsdatauppsättningen inte tillhandahålls.
trainingData	MLTableJobInput		[Krävs] Träningsdataindata.
trainingSettings	RegressionTrainingSettings		Indata för träningsfasen för ett AutoML-jobb.
validationData	MLTableJobInput		Indata för valideringsdata.
validationDataSize	number (double)		Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Tillämpas när valideringsdatauppsättningen inte tillhandahålls.
weightColumnName	string		Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned.

RegressionModels

Uppräkning

Uppräkning för alla regressionsmodeller som stöds av AutoML.

Värde	Description
ElasticNet	Elastiskt nät är en populär typ av regulariserad linjär regression som kombinerar två populära strafffunktioner, särskilt L1- och L2-strafffunktionerna.
GradientBoosting	Tekniken för att omvandla en veckas elev till en stark elev kallas Boosting. Gradient boosting-algoritmprocessen fungerar på denna teori om utförande.
DecisionTree	Beslutsträd är en icke-parametrisk övervakad inlärningsmetod som används för både klassificerings- och regressionsuppgifter. Målet är att skapa en modell som förutsäger värdet på en målvariabel genom att lära sig enkla beslutsregler som härleds från datafunktionerna.
KNN	KNN-algoritmen (K-nearest neighbors) använder "funktionslikhet" för att förutsäga värdena för nya datapunkter, vilket ytterligare innebär att den nya datapunkten tilldelas ett värde baserat på hur nära den matchar punkterna i träningsuppsättningen.
LassoLars	Lassomodellen passar ihop med Least Angle Regression a.k.a. Lars. Det är en linjär modell som tränats med en L1 tidigare som regulariserare.
SGD	SGD: Stochastic gradient descent är en optimeringsalgoritm som ofta används i maskininlärningsapplikationer för att hitta de modellparametrar som motsvarar den bästa passformen mellan förutspådda och faktiska utdata. Det är en inexakt men kraftfull teknik.
RandomForest	Slumpmässig skog är en algoritm för övervakad inlärning. Den "skog" som skapas är en ensemble av beslutsträd, som vanligtvis tränas med metoden "bagging". Den allmänna idén med baggingmetoden är att en kombination av inlärningsmodeller ökar det totala resultatet.
ExtremeRandomTrees	Extreme Trees är en maskininlärningsalgoritm som kombinerar förutsägelserna från många beslutsträd. Det är relaterat till den allmänt använda algoritmen för slumpmässig skog.
LightGBM	LightGBM är ett gradientförstärkande ramverk som använder trädbaserade inlärningsalgoritmer.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor är en övervakad maskininlärningsmodell som använder en ensemble av baselever.

RegressionPrimaryMetrics

Uppräkning

Primära mått för regressionsuppgiften.

Värde	Description
SpearmanCorrelation	Spearmans rangkoefficient för korrelation är ett icke-parametriskt mått på rangkorrelation.
NormalizedRootMeanSquaredError	Normalized Root Mean Squared Error (NRMSE), RMSE, underlättar jämförelser mellan modeller med olika skalor.
R2Score	R2-poängen är ett av prestandautvärderingsmåtten för prognosbaserade maskininlärningsmodeller.
NormalizedMeanAbsoluteError	Det normaliserade genomsnittliga absoluta felet (NMAE) är ett valideringsmått för att jämföra det genomsnittliga absoluta felet (MAE) för (tids)serier med olika skalor.

RegressionTrainingSettings

Objekt

Konfiguration relaterad till regressionsträning.

Name	Typ	Standardvärde	Description
allowedTrainingAlgorithms	RegressionModels[]		Tillåtna modeller för regressionsaktivitet.
blockedTrainingAlgorithms	RegressionModels[]		Blockerade modeller för regressionsuppgift.
enableDnnTraining	boolean	False	Aktivera rekommendation för DNN-modeller.
enableModelExplainability	boolean	True	Flagga för att aktivera förklaring på bästa modell.
enableOnnxCompatibleModels	boolean	False	Flagga för att aktivera onnx-kompatibla modeller.
enableStackEnsemble	boolean	True	Aktivera stackensemblekörning.
enableVoteEnsemble	boolean	True	Aktivera röstningsensemblekörning.
ensembleModelDownloadTimeout	string (duration)	PT5M	Under VotingEnsemble- och StackEnsemble-modellgenereringen laddas flera anpassade modeller från de tidigare underordnade körningarna ned. Konfigurera den här parametern med ett högre värde än 300 sekunder om det behövs mer tid.
stackEnsembleSettings	StackEnsembleSettings		Inställningar för stackensembler för stackensemblekörning.

SamplingAlgorithmType

Uppräkning

Värde	Description
Grid
Random
Bayesian

SeasonalityMode

Uppräkning

Prognostisera säsongsvariationer.

Värde	Description
Auto	Säsongsvariationer bestäms automatiskt.
Custom	Använd det anpassade säsongsvärdet.

ShortSeriesHandlingConfiguration

Uppräkning

Parametern som definierar hur AutoML ska hantera korta tidsserier.

Värde	Description
None	Representerar inget värde/null-värde.
Auto	Korta serier kommer att vara vadderade om det inte finns några långa serier, annars kommer korta serier att tas bort.
Pad	Alla korta serier kommer att vara vadderade.
Drop	Alla korta serier kommer att tas bort.

SparkJob

Objekt

Definition av Spark-jobb.

Name	Typ	Standardvärde	Description
archives	string[]		Arkivera filer som används i jobbet.
args	string		Argument för jobbet.
codeId	string (arm-id) minLength: 1 pattern: [a-zA-Z0-9_]		[Krävs] arm-ID för kodtillgången.
componentId	string		ARM-resurs-ID för komponentresursen.
computeId	string		ARM-resurs-ID för beräkningsresursen.
conf	object		Spark-konfigurerade egenskaper.
description	string		Texten för tillgångsbeskrivningen.
displayName	string		Visningsnamn för jobbet.
entry	SparkJobEntry: SparkJobPythonEntry SparkJobScalaEntry		[Krävs] Posten som ska köras vid start av jobbet.
environmentId	string (arm-id)		ARM-resurs-ID för miljöspecifikationen för jobbet.
environmentVariables	object		Miljövariabler som ingår i jobbet.
experimentName	string	Default	Namnet på experimentet som jobbet tillhör. Om det inte anges placeras jobbet i experimentet "Standard".
files	string[]		Filer som används i jobbet.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Identitetskonfiguration. Om det anges bör detta vara en av AmlToken, ManagedIdentity, UserIdentity eller null. Standardvärdet är AmlToken om null.
inputs	object		Mappning av indatabindningar som används i jobbet.
isArchived	boolean	False	Arkiveras tillgången?
jars	string[]		Jar-filer som används i jobbet.
jobType	string: Spark		[Krävs] Anger typen av jobb.
notificationSetting	NotificationSetting		Meddelandeinställning för jobbet
outputs	object		Mappning av utdatabindningar som används i jobbet.
properties	object		Ordlistan för tillgångsegenskap.
pyFiles	string[]		Python-filer som används i jobbet.
queueSettings	QueueSettings		Köinställningar för jobbet
resources	SparkResourceConfiguration		Beräkningsresurskonfiguration för jobbet.
services	<string,  JobService>		Lista över JobEndpoints. För lokala jobb har en jobbslutpunkt ett slutpunktsvärde för FileStreamObject.
status	JobStatus		Status för jobbet.
tags	object		Taggordlista. Taggar kan läggas till, tas bort och uppdateras.

SparkJobEntryType

Uppräkning

Värde	Description
SparkJobPythonEntry
SparkJobScalaEntry

SparkJobPythonEntry

Objekt

Name	Typ	Description
file	string minLength: 1 pattern: [a-zA-Z0-9_]	[Krävs] Relativ python-filsökväg för jobbets startpunkt.
sparkJobEntryType	string: SparkJobPythonEntry	[Krävs] Typ av jobbets startpunkt.

SparkJobScalaEntry

Objekt

Name	Typ	Description
className	string minLength: 1 pattern: [a-zA-Z0-9_]	[Krävs] Scala-klassnamn som används som startpunkt.
sparkJobEntryType	string: SparkJobScalaEntry	[Krävs] Typ av jobbets startpunkt.

SparkResourceConfiguration

Objekt

Name	Typ	Standardvärde	Description
instanceType	string		Valfri typ av virtuell dator som stöds av beräkningsmålet.
runtimeVersion	string	3.1	Version av spark-körning som används för jobbet.

StackEnsembleSettings

Objekt

Avancerar inställningen för att anpassa StackEnsemble-körningen.

Name	Typ	Standardvärde	Description
stackMetaLearnerKWargs			Valfria parametrar som ska skickas till metainlärarens initierare.
stackMetaLearnerTrainPercentage	number (double)	0.2	Anger den andel av träningsuppsättningen (när du väljer tränings- och valideringstyp för träning) som ska reserveras för träning av metaläraren. Standardvärdet är 0,2.
stackMetaLearnerType	StackMetaLearnerType	None	Meta-läranden är en modell tränad på resultatet från de individuella heterogena modellerna.\r\nStandardmeta-lärare är LogisticRegression för klassificeringsuppgifter (eller LogisticRegressionCV om korsvalidering är aktiverad) och ElasticNet för regressions-/prognosuppgifter (eller ElasticNetCV om korsvalidering är aktiverad).\r\nDenna parameter kan vara en av följande strängar: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor eller LinearRegression

StackMetaLearnerType

Uppräkning

Meta-läranden är en modell tränad på resultatet från de individuella heterogena modellerna.\r\nStandardmeta-lärare är LogisticRegression för klassificeringsuppgifter (eller LogisticRegressionCV om korsvalidering är aktiverad) och ElasticNet för regressions-/prognosuppgifter (eller ElasticNetCV om korsvalidering är aktiverad).\r\nDenna parameter kan vara en av följande strängar: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor eller LinearRegression

Värde	Description
None
LogisticRegression	Standardmetainlärare är LogisticRegression för klassificeringsuppgifter.
LogisticRegressionCV	Standardmetainlärare är LogisticRegression för klassificeringsuppgift när CV är på.
LightGBMClassifier
ElasticNet	Standardmetainlärare är LogisticRegression för regressionsuppgiften.
ElasticNetCV	Standardmetainlärare är LogisticRegression för regressionsuppgift när CV är på.
LightGBMRegressor
LinearRegression

StochasticOptimizer

Uppräkning

Stokastisk optimerare för bildmodeller.

Värde	Description
None	Ingen optimerare har valts.
Sgd	Stokastisk Gradient Nedstigningsoptimerare.
Adam	Adam är en algoritm som optimerar stokastiska objektiva funktioner baserat på adaptiva uppskattningar av moment
Adamw	AdamW är en variant av optimeraren Adam som har en förbättrad implementering av viktnedgång.

SweepJob

Objekt

Definition av rensningsjobb.

Name	Typ	Standardvärde	Description
componentId	string		ARM-resurs-ID för komponentresursen.
computeId	string		ARM-resurs-ID för beräkningsresursen.
description	string		Texten för tillgångsbeskrivningen.
displayName	string		Visningsnamn för jobbet.
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy		Principer för tidig uppsägning gör det möjligt att avbryta dåliga körningar innan de slutförs
experimentName	string	Default	Namnet på experimentet som jobbet tillhör. Om det inte anges placeras jobbet i experimentet "Standard".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Identitetskonfiguration. Om det anges bör detta vara en av AmlToken, ManagedIdentity, UserIdentity eller null. Standardvärdet är AmlToken om null.
inputs	object		Mappning av indatabindningar som används i jobbet.
isArchived	boolean	False	Arkiveras tillgången?
jobType	string: Sweep		[Krävs] Anger typen av jobb.
limits	SweepJobLimits		Rensa jobbgräns.
notificationSetting	NotificationSetting		Meddelandeinställning för jobbet
objective	Objective		[Krävs] Optimeringsmål.
outputs	object		Mappning av utdatabindningar som används i jobbet.
properties	object		Ordlistan för tillgångsegenskap.
queueSettings	QueueSettings		Köinställningar för jobbet
samplingAlgorithm	SamplingAlgorithm: BayesianSamplingAlgorithm GridSamplingAlgorithm RandomSamplingAlgorithm		[Krävs] Algoritmen för hyperparametersampling
searchSpace			[Krävs] En ordlista som innehåller varje parameter och dess distribution. Ordlistenyckeln är namnet på parametern
services	<string,  JobService>		Lista över JobEndpoints. För lokala jobb har en jobbslutpunkt ett slutpunktsvärde för FileStreamObject.
status	JobStatus		Status för jobbet.
tags	object		Taggordlista. Taggar kan läggas till, tas bort och uppdateras.
trial	TrialComponent		[Krävs] Utvärderingskomponentdefinition.

SweepJobLimits

Objekt

Gränsklass för svepjobb.

Name	Typ	Description
jobLimitsType	string: Sweep	[Krävs] JobLimit-typ.
maxConcurrentTrials	integer (int32)	Sopa jobb max samtidiga utvärderingsversioner.
maxTotalTrials	integer (int32)	Sopa jobb max totalt antal utvärderingsversioner.
timeout	string (duration)	Den maximala körningstiden i ISO 8601-format, varefter jobbet avbryts. Stöder endast varaktighet med så låg precision som Sekunder.
trialTimeout	string (duration)	Rensa timeout-värdet för utvärderingsversionen av jobbet.

systemData

Objekt

Metadata som rör skapande och senaste ändring av resursen.

Name	Typ	Description
createdAt	string (date-time)	Tidsstämpeln för resursskapande (UTC).
createdBy	string	Identiteten som skapade resursen.
createdByType	createdByType	Den typ av identitet som skapade resursen.
lastModifiedAt	string (date-time)	Tidsstämpeln för senaste ändring av resurs (UTC)
lastModifiedBy	string	Identiteten som senast ändrade resursen.
lastModifiedByType	createdByType	Den typ av identitet som senast ändrade resursen.

TableVerticalFeaturizationSettings

Objekt

Konfiguration av funktionalisering.

Name	Typ	Standardvärde	Description
blockedTransformers	BlockedTransformers[]		Dessa transformatorer får inte användas vid funktionalisering.
columnNameAndTypes	object		Ordlista med kolumnnamn och dess typ (int, float, string, datetime osv.).
datasetLanguage	string		Datamängdsspråk, användbart för textdata.
enableDnnFeaturization	boolean	False	Avgör om du vill använda Dnn-baserade funktionaliserare för datafunktionalisering.
mode	FeaturizationMode	Auto	Funktionaliseringsläge – Användaren kan behålla standardläget "Auto" och AutoML tar hand om nödvändig omvandling av data i funktionaliseringsfasen. Om "Av" har valts görs ingen funktionalisering. Om "Anpassad" har valts kan användaren ange ytterligare indata för att anpassa hur funktionalisering görs.
transformerParams	object		Användaren kan ange ytterligare transformatorer som ska användas tillsammans med de kolumner som den skulle tillämpas på och parametrar för transformeringskonstruktorn.

TableVerticalLimitSettings

Objekt

Begränsningar för jobbkörning.

Name	Typ	Standardvärde	Description
enableEarlyTermination	boolean	True	Aktivera tidig avslutning, avgör om AutoMLJob avslutas tidigt om det inte finns någon poängförbättring under de senaste 20 iterationerna.
exitScore	number (double)		Slutpoäng för AutoML-jobbet.
maxConcurrentTrials	integer (int32)	1	Maximalt antal samtidiga iterationer.
maxCoresPerTrial	integer (int32)	-1	Maximalt antal kärnor per iteration.
maxTrials	integer (int32)	1000	Antal iterationer.
timeout	string (duration)	PT6H	Tidsgräns för AutoML-jobb.
trialTimeout	string (duration)	PT30M	Timeout för iteration.

TargetAggregationFunction

Uppräkning

Mål, mängdfunktion.

Värde	Description
None	Representerar inget värde angivet.
Sum
Max
Min
Mean

TargetLagsMode

Uppräkning

Lägen för val av målfördröjningar.

Värde	Description
Auto	Målfördröjningar bestäms automatiskt.
Custom	Använd de anpassade målfördröjningarna.

TargetRollingWindowSizeMode

Uppräkning

Storleksläge för rullande fönster för mål.

Värde	Description
Auto	Bestäm storleken på rullande fönster automatiskt.
Custom	Använd den angivna storleken för rullande fönster.

TaskType

Uppräkning

AutoMLJob Aktivitetstyp.

Värde	Description
Classification	Klassificering inom maskininlärning och statistik är en övervakad inlärningsmetod där datorprogrammet lär sig av de data som ges till det och gör nya observationer eller klassificeringar.
Regression	Regression innebär att förutsäga värdet med hjälp av indata. Regressionsmodeller används för att förutsäga ett kontinuerligt värde.
Forecasting	Prognostisering är en särskild typ av regressionsuppgift som hanterar tidsseriedata och skapar en prognosmodell som kan användas för att förutsäga värden för den närmaste framtiden baserat på indata.
ImageClassification	Klassificering av bilder. Bildklassificering med flera klasser används när en bild klassificeras med endast en enda etikett från en uppsättning klasser – t.ex. varje bild klassificeras som antingen en bild av en "katt" eller en "hund" eller en "anka".
ImageClassificationMultilabel	Bildklassificering med flera etiketter. Bildklassificering med flera etiketter används när en bild kan ha en eller flera etiketter från en uppsättning etiketter – t.ex. kan en bild vara märkt med både "katt" och "hund".
ImageObjectDetection	Identifiering av bildobjekt. Objektidentifiering används för att identifiera objekt i en bild och lokalisera varje objekt med en avgränsningsruta, t.ex. lokalisera alla hundar och katter i en bild och rita en avgränsningsruta runt varje.
ImageInstanceSegmentation	Segmentering av bildinstanser. Instanssegmentering används för att identifiera objekt i en bild på pixelnivå och rita en polygon runt varje objekt i bilden.
TextClassification	Textklassificering (även känd som texttaggning eller textkategorisering) är processen att sortera texter i kategorier. Kategorierna är ömsesidigt uteslutande.
TextClassificationMultilabel	Klassificeringsuppgift med flera etiketter tilldelar varje exempel till en grupp (noll eller fler) med måletiketter.
TextNER	Igenkänning av namngiven text, även kallad TextNER. Igenkänning av namngiven entitet (NER) är möjligheten att ta fritext och identifiera förekomster av entiteter som personer, platser, organisationer med mera.

TensorFlow

Objekt

Konfiguration av TensorFlow-distribution.

Name	Typ	Standardvärde	Description
distributionType	string: TensorFlow		[Krävs] Anger typ av distributionsramverk.
parameterServerCount	integer (int32)	0	Antal parameterserveruppgifter.
workerCount	integer (int32)		Antal arbetare. Om det inte anges kommer instansantalet att vara standard.

TextClassification

Objekt

Textklassificeringsuppgift i vertikal AutoML NLP. NLP - Behandling av naturligt språk.

Name	Typ	Standardvärde	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Funktionaliseringsindata som behövs för AutoML-jobb.
limitSettings	NlpVerticalLimitSettings		Körningsbegränsningar för AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum för att ställa in loggens utförlighet.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Primära mått för klassificeringsuppgifter.
targetColumnName	string		Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
taskType	string: TextClassification		[Krävs] Aktivitetstyp för AutoMLJob.
trainingData	MLTableJobInput		[Krävs] Träningsdataindata.
validationData	MLTableJobInput		Indata för valideringsdata.

TextClassificationMultilabel

Objekt

Textklassificering Uppgift med flera etiketter i vertikal AutoML NLP. NLP - Behandling av naturligt språk.

Name	Typ	Standardvärde	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Funktionaliseringsindata som behövs för AutoML-jobb.
limitSettings	NlpVerticalLimitSettings		Körningsbegränsningar för AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum för att ställa in loggens utförlighet.
primaryMetric	ClassificationMultilabelPrimaryMetrics		Primärt mått för text-Classification-Multilabel uppgift. För närvarande stöds endast noggrannhet som primärt mått, och därför behöver användaren inte ange det uttryckligen.
targetColumnName	string		Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
taskType	string: TextClassificationMultilabel		[Krävs] Aktivitetstyp för AutoMLJob.
trainingData	MLTableJobInput		[Krävs] Träningsdataindata.
validationData	MLTableJobInput		Indata för valideringsdata.

TextNer

Objekt

Text-NER uppgift i vertikal AutoML NLP. NER – Igenkänning av namngiven entitet. NLP - Behandling av naturligt språk.

Name	Typ	Standardvärde	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Funktionaliseringsindata som behövs för AutoML-jobb.
limitSettings	NlpVerticalLimitSettings		Körningsbegränsningar för AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum för att ställa in loggens utförlighet.
primaryMetric	ClassificationPrimaryMetrics		Primärt mått för Text-NER uppgift. Endast "Noggrannhet" stöds för Text-NER, så användaren behöver inte ange detta uttryckligen.
targetColumnName	string		Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
taskType	string: TextNER		[Krävs] Aktivitetstyp för AutoMLJob.
trainingData	MLTableJobInput		[Krävs] Träningsdataindata.
validationData	MLTableJobInput		Indata för valideringsdata.

TrialComponent

Objekt

Utvärderingskomponentdefinition.

Name	Typ	Description
codeId	string	ARM-resurs-ID för kodtillgången.
command	string minLength: 1 pattern: [a-zA-Z0-9_]	[Krävs] Kommandot som ska köras vid start av jobbet. eg. "Python train.py"
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow	Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]	[Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet.
environmentVariables	object	Miljövariabler som ingår i jobbet.
resources	JobResourceConfiguration	Beräkningsresurskonfiguration för jobbet.

TritonModelJobInput

Objekt

Name	Typ	Standardvärde	Description
description	string		Beskrivning av indata.
jobInputType	string: triton_model		[Krävs] Anger typen av jobb.
mode	InputDeliveryMode	ReadOnlyMount	Räkna upp för att fastställa leveransläget för indata.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Krävs] Indatatillgångs-URI.

TritonModelJobOutput

Objekt

Name	Typ	Standardvärde	Description
assetName	string		Namn på utdatatillgång.
description	string		Beskrivning av utdata.
jobOutputType	string: triton_model		[Krävs] Anger typen av jobb.
mode	OutputDeliveryMode	ReadWriteMount	Uppräkningar för leveransläge för utdata.
uri	string		Utdatatillgångs-URI.

TruncationSelectionPolicy

Objekt

Definierar en princip för tidig avslutning som avbryter en viss procentandel körningar vid varje utvärderingsintervall.

Name	Typ	Standardvärde	Description
delayEvaluation	integer (int32)	0	Antal intervall som den första utvärderingen ska fördröjas med.
evaluationInterval	integer (int32)	0	Intervall (antal körningar) mellan principutvärderingar.
policyType	string: TruncationSelection		[Krävs] Namn på principkonfiguration
truncationPercentage	integer (int32)	0	Procentandelen körningar som ska avbrytas vid varje utvärderingsintervall.

UriFileJobInput

Objekt

Name	Typ	Standardvärde	Description
description	string		Beskrivning av indata.
jobInputType	string: uri_file		[Krävs] Anger typen av jobb.
mode	InputDeliveryMode	ReadOnlyMount	Räkna upp för att fastställa leveransläget för indata.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Krävs] Indatatillgångs-URI.

UriFileJobOutput

Objekt

Name	Typ	Standardvärde	Description
assetName	string		Namn på utdatatillgång.
description	string		Beskrivning av utdata.
jobOutputType	string: uri_file		[Krävs] Anger typen av jobb.
mode	OutputDeliveryMode	ReadWriteMount	Uppräkningar för leveransläge för utdata.
uri	string		Utdatatillgångs-URI.

UriFolderJobInput

Objekt

Name	Typ	Standardvärde	Description
description	string		Beskrivning av indata.
jobInputType	string: uri_folder		[Krävs] Anger typen av jobb.
mode	InputDeliveryMode	ReadOnlyMount	Räkna upp för att fastställa leveransläget för indata.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Krävs] Indatatillgångs-URI.

UriFolderJobOutput

Objekt

Name	Typ	Standardvärde	Description
assetName	string		Namn på utdatatillgång.
description	string		Beskrivning av utdata.
jobOutputType	string: uri_folder		[Krävs] Anger typen av jobb.
mode	OutputDeliveryMode	ReadWriteMount	Uppräkningar för leveransläge för utdata.
uri	string		Utdatatillgångs-URI.

UserIdentity

Objekt

Konfiguration av användaridentitet.

Name	Typ	Description
identityType	string: UserIdentity	[Krävs] Anger typen av identitetsramverk.

UseStl

Uppräkning

Konfigurera STL-nedbrytning av målkolumnen för tidsserier.

Värde	Description
None	Ingen stl nedbrytning.
Season
SeasonTrend

ValidationMetricType

Uppräkning

Beräkningsmetod för metriska mått som ska användas för valideringsmått i bilduppgifter.

Värde	Description
None	Inget mått.
Coco	Coco metriskt.
Voc	Voc-metrik.
CocoVoc	CocoVoc-mått.

WebhookType

Uppräkning

Räkna upp för att fastställa typen av webhook-återanropstjänst.

Värde	Description
AzureDevOps