automl Paket

  • Başvuru

Azure Machine Learning SDKv2 için otomatik makine öğrenmesi sınıflarını içerir.

Ana alanlar AutoML görevlerini yönetmeyi içerir.

Sınıflar

ClassificationJob

AutoML Sınıflandırma İşi yapılandırması.

Yeni bir AutoML Sınıflandırma görevi başlatın.
ColumnTransformer

Sütun transformatörü ayarları.
ForecastingJob

AutoML Tahmin Görevi yapılandırması.

Yeni bir AutoML Tahmin görevi başlatın.
ForecastingSettings

AutoML İşi için tahmin ayarları.
ImageClassificationJob

AutoML çok sınıflı Görüntü Sınıflandırma işi için yapılandırma.

Yeni bir AutoML çok sınıflı Görüntü Sınıflandırma işi başlatın.
ImageClassificationMultilabelJob

AutoML çok etiketli Görüntü Sınıflandırma işi için yapılandırma.

Yeni bir AutoML çok etiketli Görüntü Sınıflandırma işi başlatın.
ImageClassificationSearchSpace

AutoML Görüntü Sınıflandırması ve Görüntü Sınıflandırması Çok etiketli görevler için arama alanı.
ImageInstanceSegmentationJob

AutoML Görüntü Örneği Segmentasyonu işi için yapılandırma.

Yeni bir AutoML Görüntü Örneği Segmentasyonu işi başlatın.
ImageLimitSettings

AutoML Görüntü Dikeyleri için ayarları sınırlayın.

ImageLimitSettings şu parametreleri içeren bir sınıftır: max_concurrent_trials, max_trials ve timeout_minutes.

Bu, zaman aşımları gibi limit parametrelerini yapılandırmak için isteğe bağlı bir yapılandırma yöntemidir.

Not

Belirtilen işlem hedefinde kullanılabilen kaynaklarda eş zamanlı çalıştırma sayısı geçitli.

İşlem hedefinin istenen eşzamanlılık için kullanılabilir kaynaklara sahip olduğundan emin olun.

İpucu

max_concurrent_trials sayısını kümedeki düğüm sayısıyla eşleştirmek iyi bir uygulamadır.

Örneğin, 4 düğümlü bir kümeniz varsa, max_concurrent_trials 4 olarak ayarlayın.

Örnek kullanım

ImageLimitSettings Yapılandırması


   from azure.ai.ml import automl

   # Create the AutoML job with the related factory-function.
   image_instance_segmentation_job = automl.image_instance_segmentation(
       compute=compute_name,
       experiment_name=exp_name,
       training_data=my_training_data_input,
       validation_data=my_validation_data_input,
       target_column_name="label",
       primary_metric="MeanAveragePrecision",
       tags={"my_custom_tag": "custom value"},
   )
   # Set the limits for the AutoML job.
   image_instance_segmentation_job.set_limits(
       max_trials=10,
       max_concurrent_trials=2,
   )
   # Submit the AutoML job.
   image_instance_segmentation_job.submit()

ImageLimitSettings nesnesini başlatın.

AutoML Görüntü Dikeyleri için ImageLimitSettings oluşturucu.
ImageModelSettingsClassification

AutoML Görüntü Sınıflandırma görevleri için model ayarları.
ImageModelSettingsObjectDetection

AutoML Görüntü Nesnesi Algılama Görevi için model ayarları.
ImageObjectDetectionJob

AutoML Görüntü Nesnesi Algılama işi için yapılandırma.

Yeni bir AutoML Görüntü Nesnesi Algılama işi başlatın.
ImageObjectDetectionSearchSpace

AutoML Görüntü Nesnesi Algılama ve Görüntü Örneği Kesimleme görevleri için arama alanı.
ImageSweepSettings

Tüm AutoML Görüntü Dikeyleri için süpürme ayarları.
NlpFeaturizationSettings

Tüm AutoML NLP Dikeyleri için özellik kazandırma ayarları.
NlpFixedParameters

NLP işleri için sabit parametreleri barındıracak nesne.
NlpLimitSettings

Tüm AutoML NLP Dikeyleri için ayarları sınırlayın.
NlpSearchSpace

AutoML NLP görevleri için arama alanı.
NlpSweepSettings

Tüm AutoML NLP görevlerinin ayarlarını süpürme.
RegressionJob

AutoML Regresyon İşi yapılandırması.

Yeni bir AutoML Regresyonu görevi başlatın.
SearchSpace

AutoML dikeyleri için SearchSpace sınıfı.
StackEnsembleSettings

StackEnsemble çalıştırmasını özelleştirmek için gelişmiş ayar.
TabularFeaturizationSettings

AutoML İşi için özellik geliştirme ayarları.
TabularLimitSettings

AutoML Tablo Dikeyleri için ayarları sınırlayın.
TextClassificationJob

AutoML Metin Sınıflandırma İşi yapılandırması.

Yeni bir AutoML Metin Sınıflandırması görevi başlatır.
TextClassificationMultilabelJob

AutoML Metin Sınıflandırması Çok Etiketli İşi yapılandırması.

Yeni bir AutoML Metin Sınıflandırması Çok Etiketli görevi başlatır.
TextNerJob

AutoML Metin NER İşi yapılandırması.

Yeni bir AutoML Metin NER görevi başlatır.
TrainingSettings

Azure Machine Learning için TrainingSettings sınıfı.

Azure Machine Learning için TrainingSettings sınıfı.

Numaralandırmalar

BlockedTransformers

AutoML tarafından desteklenen tüm sınıflandırma modelleri için sabit listesi.
ClassificationModels

AutoML tarafından desteklenen tüm sınıflandırma modelleri için sabit listesi.
ClassificationMultilabelPrimaryMetrics

Çok etiketli sınıflandırma görevleri için birincil ölçümler.
ClassificationPrimaryMetrics

Sınıflandırma görevleri için birincil ölçümler.
FeaturizationMode

Özellik geliştirme modu - Veri özellik geliştirme modunu belirler.
ForecastHorizonMode

Tahmin ufku seçim modunu belirlemek için sabit listesi.
ForecastingModels

AutoML tarafından desteklenen tüm tahmin modelleri için sabit listesi.
ForecastingPrimaryMetrics

Tahmin görevi için birincil ölçümler.
InstanceSegmentationPrimaryMetrics

InstanceSegmentation görevleri için birincil ölçümler.
LearningRateScheduler

Öğrenme oranı zamanlayıcı sabit listesi.
LogTrainingMetrics

Azure Machine Learning SDKv2 için otomatik makine öğrenmesi sınıflarını içerir.

Ana alanlar AutoML görevlerini yönetmeyi içerir.
LogValidationLoss

Azure Machine Learning SDKv2 için otomatik makine öğrenmesi sınıflarını içerir.

Ana alanlar AutoML görevlerini yönetmeyi içerir.
NCrossValidationsMode

N-Cross doğrulama değerinin nasıl belirleneceğini belirler.
ObjectDetectionPrimaryMetrics

Image ObjectDetection görevi için birincil ölçümler.
RegressionModels

AutoML tarafından desteklenen tüm Regresyon modelleri için sabit listesi.
RegressionPrimaryMetrics

Regresyon görevi için birincil ölçümler.
SamplingAlgorithmType

Azure Machine Learning SDKv2 için otomatik makine öğrenmesi sınıflarını içerir.

Ana alanlar AutoML görevlerini yönetmeyi içerir.
ShortSeriesHandlingConfiguration

AutoML'nin kısa zaman serisini nasıl işleyeceklerini tanımlayan parametre.
StochasticOptimizer

Görüntü modelleri için stokastik iyileştirici.
TargetAggregationFunction

Hedef toplama işlevi.
TargetLagsMode

Hedef gecikmeler seçim modları.
TargetRollingWindowSizeMode

Hedef sıralı pencereler boyut modu.
UseStl

Zaman serisi hedef sütununun STL Ayrıştırma'sını yapılandırın.
ValidationMetricType

Görüntü görevlerinde doğrulama ölçümleri için kullanılacak ölçüm hesaplama yöntemi.

İşlevler

classification

ClassificationJob oluşturma işlevi.

Sınıflandırma işi, bir veri örneğinin sınıfını en iyi tahmin eden modeli eğitmek için kullanılır. Eğitim verileri kullanılarak çeşitli modeller eğitilir. Birincil ölçüme dayalı doğrulama verilerinde en iyi performansa sahip model, son model olarak seçilir.

classification(*, training_data: Input, target_column_name: str, primary_metric: str | None = None, enable_model_explainability: bool | None = None, weight_column_name: str | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, n_cross_validations: str | int | None = None, cv_split_column_names: List[str] | None = None, test_data: Input | None = None, test_data_size: float | None = None, **kwargs) -> ClassificationJob

Parametreler

training_data
Input

Deneme içinde kullanılacak eğitim verileri. Hem eğitim özelliklerini hem de etiket sütununu (isteğe bağlı olarak örnek ağırlıklar sütunu) içermelidir.

target_column_name
str

Etiket sütununun adı. Bu parametre , validation_data ve test_data parametreleri için training_datageçerlidir

primary_metric

Otomatik Makine Öğrenmesi'nin model seçimi için iyileştireceği ölçüm. Otomatik Makine Öğrenmesi iyileştirenenden daha fazla ölçüm toplar. Ölçümlerin hesaplanma şekli hakkında daha fazla bilgi için bkz https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric. .

Kabul edilebilir değerler: doğruluk, AUC_weighted, norm_macro_recall, average_precision_score_weighted ve precision_score_weighted Doğruluk varsayılanları

enable_model_explainability
bool

Tüm AutoML eğitim yinelemelerinin sonunda en iyi AutoML modelinin açıklanmasının etkinleştirilip etkinleştirilmeyeceğini. Varsayılan değer Yok'tur. Daha fazla bilgi için bkz. Yorumlanabilirlik: otomatik makine öğrenmesinde model açıklamaları.

weight_column_name
str

Örnek ağırlık sütununun adı. Otomatik ML, giriş olarak ağırlıklı bir sütunu destekler ve bu da verilerdeki satırların yukarı veya aşağı ağırlıklı olmasına neden olur. Giriş verileri bir pandas'tansa. Sütun adları olmayan DataFrame, bunun yerine tamsayı olarak ifade edilen sütun dizinleri kullanılabilir.

Bu parametre ve validation_data parametreleri için training_data geçerlidir

validation_data
Input

Deneme içinde kullanılacak doğrulama verileri. Hem eğitim özelliklerini hem de etiket sütununu (isteğe bağlı olarak bir örnek ağırlık sütunu) içermelidir.

Varsayılan değer Yok

validation_data_size
float

Kullanıcı doğrulama verileri belirtilmediğinde doğrulama için tutulacak verilerin kesri. Bu, 0,0 ile 1,0 arasında olmalıdır ve bunlar dahil değildir.

Doğrulama verilerini sağlamak için belirtin validation_data , aksi takdirde belirtilen eğitim verilerinden doğrulama verilerini ayarlayın n_cross_validations veya validation_data_size ayıklayın. Özel çapraz doğrulama katlama için kullanın cv_split_column_names.

Daha fazla bilgi için bkz . Otomatik makine öğrenmesinde veri bölmelerini ve çapraz doğrulamayı yapılandırma.

Varsayılan değer Yok

n_cross_validations
Union[str, int]

Kullanıcı doğrulama verileri belirtilmediğinde gerçekleştirilecek çapraz doğrulamalar.

Doğrulama verilerini sağlamak için belirtin validation_data , aksi takdirde doğrulama verilerini belirtilen eğitim verilerinden ayarlayın n_cross_validations veya validation_data_size ayıklayın. Özel çapraz doğrulama katlama için kullanın cv_split_column_names.

Daha fazla bilgi için bkz . Otomatik makine öğrenmesinde veri bölmelerini ve çapraz doğrulamayı yapılandırma.

Varsayılan değer Yok

cv_split_column_names
List[str]

Özel çapraz doğrulama bölme içeren sütunların adları listesi. CV bölme sütunlarının her biri, her satırın eğitim için 1 veya doğrulama için 0 olarak işaretlendiği bir CV bölmesini temsil eder.

Varsayılan değer Yok

test_data
Input

Test veri kümelerini veya test veri bölmelerini kullanan Model Testi özelliği, Önizleme durumundaki bir özelliktir ve herhangi bir zamanda değişebilir. Model eğitimi tamamlandıktan sonra otomatik olarak başlatılacak bir test çalıştırması için kullanılacak test verileri. Test çalıştırması en iyi modeli kullanarak tahminleri alır ve bu tahminler göz önüne alındığında ölçümleri hesaplar.

Bu parametre veya test_data_size parametre belirtilmezse, model eğitimi tamamlandıktan sonra hiçbir test çalıştırması otomatik olarak yürütülmeyecektir. Test verileri hem özellikleri hem de etiket sütununu içermelidir. belirtilirse test_data parametresi belirtilmelidir target_column_name .

Varsayılan değer Yok

test_data_size
float

Test veri kümelerini veya test veri bölmelerini kullanan Model Testi özelliği, Önizleme durumundaki bir özelliktir ve herhangi bir zamanda değişebilir. Model eğitimi tamamlandıktan sonra otomatik olarak başlatılacak bir test çalıştırması için test verileri için tutulacak eğitim verilerinin ne kadarı. Test çalıştırması en iyi modeli kullanarak tahminleri alır ve bu tahminler göz önüne alındığında ölçümleri hesaplar.

Bu değer 0,0 ile 1,0 arasında olmalıdır ve bunlar dahil değildir. ile aynı zamanda validation_data_sizebelirtilirsetest_data_size, doğrulama verileri bölünmeden önce test verileri'nden training_data bölünür. Örneğin, ve özgün eğitim verileri 1000 satır içeriyorsavalidation_data_size=0.1test_data_size=0.1, test verileri 100 satıra sahip olur, doğrulama verileri 90 satır içerir ve eğitim verileri 810 satır içerir.

Regresyon tabanlı görevler için rastgele örnekleme kullanılır. Sınıflandırma görevleri için katmanlı örnekleme kullanılır. Tahmin şu anda eğitim/test bölme kullanarak test veri kümesi belirtmeyi desteklememektedir.

Bu parametre veya test_data parametre belirtilmezse, model eğitimi tamamlandıktan sonra hiçbir test çalıştırması otomatik olarak yürütülmeyecektir.

Varsayılan değer Yok

Döndürülenler

Yürütme için Azure ML işlemine gönderilebilen bir iş nesnesi.

Dönüş türü

ClassificationJob

forecasting

Tahmin işi oluşturma işlevi.

Geçmiş verileri temel alarak gelecek bir zaman aralığı için hedef değerleri tahmin etmek için bir tahmin görevi kullanılır. Eğitim verileri kullanılarak çeşitli modeller eğitilir. Birincil ölçüme dayalı doğrulama verilerinde en iyi performansa sahip model, son model olarak seçilir.

forecasting(*, training_data: Input, target_column_name: str, primary_metric: str | None = None, enable_model_explainability: bool | None = None, weight_column_name: str | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, n_cross_validations: str | int | None = None, cv_split_column_names: List[str] | None = None, test_data: Input | None = None, test_data_size: float | None = None, forecasting_settings: ForecastingSettings | None = None, **kwargs) -> ForecastingJob

Parametreler

training_data
Input

Deneme içinde kullanılacak eğitim verileri. Hem eğitim özelliklerini hem de etiket sütununu (isteğe bağlı olarak örnek ağırlıklar sütunu) içermelidir.

target_column_name
str

Etiket sütununun adı. Bu parametre , validation_data ve test_data parametreleri için training_datageçerlidir

primary_metric

Otomatik Makine Öğrenmesi'nin model seçimi için iyileştireceği ölçüm. Otomatik Makine Öğrenmesi iyileştirenenden daha fazla ölçüm toplar. Ölçümlerin hesaplanma şekli hakkında daha fazla bilgi için bkz https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric. .

Kabul edilebilir değerler: r2_score, normalized_mean_absolute_error normalized_root_mean_squared_error Varsayılanları normalized_root_mean_squared_error

enable_model_explainability
bool

Tüm AutoML eğitim yinelemelerinin sonunda en iyi AutoML modelinin açıklanıp açıklanmayacağı. Varsayılan değer Yok'tır. Daha fazla bilgi için bkz . Yorumlanabilirlik: otomatik makine öğrenmesinde model açıklamaları.

weight_column_name
str

Örnek ağırlık sütununun adı. Otomatik ML, giriş olarak ağırlıklı bir sütunu destekler ve bu da verilerdeki satırların yukarı veya aşağı ağırlıklı olmasına neden olur. Giriş verileri bir pandas'tan alınıyorsa. Sütun adları olmayan DataFrame, bunun yerine tamsayı olarak ifade edilen sütun dizinleri kullanılabilir.

Bu parametre ve validation_data parametreleri için training_data geçerlidir

validation_data
Input

Deneme içinde kullanılacak doğrulama verileri. Hem eğitim özelliklerini hem de etiket sütununu (isteğe bağlı olarak bir örnek ağırlık sütunu) içermelidir.

Varsayılan değer Yok

validation_data_size
float

Kullanıcı doğrulama verileri belirtilmediğinde doğrulama için tutulacak verilerin ne kadar kesirli olduğu. Bu değer 0,0 ile 1,0 arasında olmalıdır ve bunlar dahil değildir.

Doğrulama verilerini sağlamak için belirtin validation_data , aksi takdirde doğrulama verilerini belirtilen eğitim verilerinden ayarlayın n_cross_validations veya validation_data_size ayıklayın. Özel çapraz doğrulama katlama için kullanın cv_split_column_names.

Daha fazla bilgi için bkz . Otomatik makine öğrenmesinde veri bölmelerini ve çapraz doğrulamayı yapılandırma.

Varsayılan değer Yok

n_cross_validations
Union[str, int]

Kullanıcı doğrulama verileri belirtilmediğinde gerçekleştirilecek çapraz doğrulamalar.

Doğrulama verilerini sağlamak için belirtin validation_data , aksi takdirde doğrulama verilerini belirtilen eğitim verilerinden ayarlayın n_cross_validations veya validation_data_size ayıklayın. Özel çapraz doğrulama katlama için kullanın cv_split_column_names.

Daha fazla bilgi için bkz . Otomatik makine öğrenmesinde veri bölmelerini ve çapraz doğrulamayı yapılandırma.

Varsayılan değer Yok

cv_split_column_names
List[str]

Özel çapraz doğrulama bölme içeren sütunların adları listesi. CV bölme sütunlarının her biri, her satırın eğitim için 1 veya doğrulama için 0 olarak işaretlendiği bir CV bölmesini temsil eder.

Varsayılan değer Yok

test_data
Input

Test veri kümelerini veya test veri bölmelerini kullanan Model Testi özelliği, Önizleme durumundaki bir özelliktir ve herhangi bir zamanda değişebilir. Model eğitimi tamamlandıktan sonra otomatik olarak başlatılacak bir test çalıştırması için kullanılacak test verileri. Test çalıştırması en iyi modeli kullanarak tahminleri alır ve bu tahminler göz önüne alındığında ölçümleri hesaplar.

Bu parametre veya test_data_size parametre belirtilmezse, model eğitimi tamamlandıktan sonra hiçbir test çalıştırması otomatik olarak yürütülmeyecektir. Test verileri hem özellikleri hem de etiket sütununu içermelidir. belirtilirse test_data parametresi belirtilmelidir target_column_name .

Varsayılan değer Yok

test_data_size
float

Test veri kümelerini veya test veri bölmelerini kullanan Model Testi özelliği, Önizleme durumundaki bir özelliktir ve herhangi bir zamanda değişebilir. Model eğitimi tamamlandıktan sonra otomatik olarak başlatılacak bir test çalıştırması için test verileri için tutulacak eğitim verilerinin ne kadarı. Test çalıştırması en iyi modeli kullanarak tahminleri alır ve bu tahminler göz önüne alındığında ölçümleri hesaplar.

Bu değer 0,0 ile 1,0 arasında olmalıdır ve bunlar dahil değildir. ile aynı zamanda validation_data_sizebelirtilirsetest_data_size, doğrulama verileri bölünmeden önce test verileri'nden training_data bölünür. Örneğin, ve özgün eğitim verileri 1000 satır içeriyorsavalidation_data_size=0.1test_data_size=0.1, test verileri 100 satıra sahip olur, doğrulama verileri 90 satır içerir ve eğitim verileri 810 satır içerir.

Regresyon tabanlı görevler için rastgele örnekleme kullanılır. Sınıflandırma görevleri için katmanlı örnekleme kullanılır. Tahmin şu anda eğitim/test bölme kullanarak test veri kümesi belirtmeyi desteklememektedir.

Bu parametre veya test_data parametre belirtilmezse, model eğitimi tamamlandıktan sonra hiçbir test çalıştırması otomatik olarak yürütülmeyecektir.

Varsayılan değer Yok

forecasting_settings
ForecastingSettings

Tahmin görevinin ayarları

Döndürülenler

Yürütme için Azure ML işlemine gönderilebilen bir iş nesnesi.

Dönüş türü

ForecastingJob

image_classification

AutoML Görüntüsü çok sınıflı Sınıflandırma işi için bir nesne oluşturur.

image_classification(*, training_data: Input, target_column_name: str, primary_metric: str | ClassificationPrimaryMetrics | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, **kwargs) -> ImageClassificationJob

Parametreler

training_data
Input

Deneme içinde kullanılacak eğitim verileri.

target_column_name
str

Etiket sütununun adı. Bu parametre ve validation_data parametreleri için training_data geçerlidir.

primary_metric

Otomatik Makine Öğrenmesi'nin model seçimi için iyileştireceği ölçüm. Otomatik Makine Öğrenmesi iyileştirenenden daha fazla ölçüm toplar. Ölçümlerin hesaplanma şekli hakkında daha fazla bilgi için bkz https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric. .

Kabul edilebilir değerler: doğruluk, AUC_weighted, norm_macro_recall, average_precision_score_weighted ve precision_score_weighted Varsayılanları doğruluk.

validation_data
Input

Deneme içinde kullanılacak doğrulama verileri.

validation_data_size
float

Kullanıcı doğrulama verileri belirtilmediğinde doğrulama için tutulacak verilerin ne kadar kesirli olduğu. Bu değer 0,0 ile 1,0 arasında olmalıdır ve bunlar dahil değildir.

Doğrulama verilerini sağlamak için belirtin validation_data , aksi takdirde doğrulama verilerini belirtilen eğitim verilerinden ayıklamak için ayarlayın validation_data_size .

Varsayılan değer :2

kwargs
dict

Ek yapılandırma parametrelerinin sözlüğü.

Döndürülenler

Yürütme için Azure ML işlemine gönderilebilen görüntü sınıflandırma işi nesnesi.

Dönüş türü

ImageClassificationJob

image_classification_multilabel

AutoML Görüntüsü çok etiketli Sınıflandırma işi için bir nesne oluşturur.

image_classification_multilabel(*, training_data: Input, target_column_name: str, primary_metric: str | ClassificationMultilabelPrimaryMetrics | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, **kwargs) -> ImageClassificationMultilabelJob

Parametreler

training_data
Input

Deneme içinde kullanılacak eğitim verileri.

target_column_name
str

Etiket sütununun adı. Bu parametre ve validation_data parametreleri için training_data geçerlidir.

primary_metric

Otomatik Makine Öğrenmesi'nin model seçimi için iyileştireceği ölçüm. Otomatik Makine Öğrenmesi iyileştirenenden daha fazla ölçüm toplar. Ölçümlerin hesaplanma şekli hakkında daha fazla bilgi için bkz https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric. .

Kabul edilebilir değerler: doğruluk, AUC_weighted, norm_macro_recall, average_precision_score_weighted, precision_score_weighted ve Varsayılan olarak Iou.

validation_data
Input

Deneme içinde kullanılacak doğrulama verileri.

validation_data_size
float

Kullanıcı doğrulama verileri belirtilmediğinde doğrulama için tutulacak verilerin ne kadar kesirli olduğu. Bu değer 0,0 ile 1,0 arasında olmalıdır ve bunlar dahil değildir.

Doğrulama verilerini sağlamak için belirtin validation_data , aksi takdirde doğrulama verilerini belirtilen eğitim verilerinden ayıklamak için ayarlayın validation_data_size .

Varsayılan değer :2

kwargs
dict

Ek yapılandırma parametrelerinin sözlüğü.

Döndürülenler

Yürütme için bir Azure ML işlemine gönderilebilen çok etiketli sınıflandırma işi nesnesi görüntüsü.

Dönüş türü

ImageClassificationMultilabelJob

image_instance_segmentation

AutoML Görüntü Örneği Segmentlere Ayırma işi için bir nesne oluşturur.

image_instance_segmentation(*, training_data: Input, target_column_name: str, primary_metric: str | InstanceSegmentationPrimaryMetrics | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, **kwargs) -> ImageInstanceSegmentationJob

Parametreler

training_data
Input

Deneme içinde kullanılacak eğitim verileri.

target_column_name
str

Etiket sütununun adı. Bu parametre ve validation_data parametreleri için training_data geçerlidir.

primary_metric

Otomatik Makine Öğrenmesi'nin model seçimi için iyileştireceği ölçüm. Otomatik Makine Öğrenmesi iyileştirenenden daha fazla ölçüm toplar. Ölçümlerin hesaplanma şekli hakkında daha fazla bilgi için bkz https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric. .

Kabul edilebilir değerler: MeanAveragePrecision Varsayılanı MeanAveragePrecision'dır.

validation_data
Input

Deneme içinde kullanılacak doğrulama verileri.

validation_data_size
float

Kullanıcı doğrulama verileri belirtilmediğinde doğrulama için tutulacak verilerin ne kadar kesirli olduğu. Bu değer 0,0 ile 1,0 arasında olmalıdır ve bunlar dahil değildir.

Doğrulama verilerini sağlamak için belirtin validation_data , aksi takdirde doğrulama verilerini belirtilen eğitim verilerinden ayıklamak için ayarlayın validation_data_size .

Varsayılan değer :2

kwargs
dict

Ek yapılandırma parametrelerinin sözlüğü.

Döndürülenler

Görüntü örneği segmentasyon işi

Dönüş türü

ImageInstanceSegmentationJob

image_object_detection

AutoML Görüntü Nesnesi Algılama işi için bir nesne oluşturur.

image_object_detection(*, training_data: Input, target_column_name: str, primary_metric: str | ObjectDetectionPrimaryMetrics | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, **kwargs) -> ImageObjectDetectionJob

Parametreler

training_data
Input

Deneme içinde kullanılacak eğitim verileri.

target_column_name
str

Etiket sütununun adı. Bu parametre ve validation_data parametreleri için training_data geçerlidir.

primary_metric

Otomatik Makine Öğrenmesi'nin model seçimi için iyileştireceği ölçüm. Otomatik Makine Öğrenmesi iyileştirenenden daha fazla ölçüm toplar. Ölçümlerin hesaplanma şekli hakkında daha fazla bilgi için bkz https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric. .

Kabul edilebilir değerler: MeanAveragePrecision Varsayılanı MeanAveragePrecision'dır.

validation_data
Input

Deneme içinde kullanılacak doğrulama verileri.

validation_data_size
float

Kullanıcı doğrulama verileri belirtilmediğinde doğrulama için tutulacak verilerin ne kadar kesirli olduğu. Bu değer 0,0 ile 1,0 arasında olmalıdır ve bunlar dahil değildir.

Doğrulama verilerini sağlamak için belirtin validation_data , aksi takdirde doğrulama verilerini belirtilen eğitim verilerinden ayıklamak için ayarlayın validation_data_size .

Varsayılan değer :2

kwargs
dict

Ek yapılandırma parametrelerinin sözlüğü.

Döndürülenler

Yürütme için bir Azure ML işlemine gönderilebilen görüntü nesnesi algılama işi nesnesi.

Dönüş türü

ImageObjectDetectionJob

regression

Regresyon İşi oluşturma işlevi.

Bir modeli bir veri kümesinden hedef değişkenin sürekli değerlerini tahmin etmek üzere eğitmek için regresyon işi kullanılır. Çeşitli modeller eğitim verileri kullanılarak eğitilir. Birincil ölçümü temel alan doğrulama verileri üzerinde en iyi performansa sahip model, son model olarak seçilir.

regression(*, training_data: Input, target_column_name: str, primary_metric: str | None = None, enable_model_explainability: bool | None = None, weight_column_name: str | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, n_cross_validations: str | int | None = None, cv_split_column_names: List[str] | None = None, test_data: Input | None = None, test_data_size: float | None = None, **kwargs) -> RegressionJob

Parametreler

training_data
Input

Deneme içinde kullanılacak eğitim verileri. Hem eğitim özelliklerini hem de etiket sütununu (isteğe bağlı olarak örnek ağırlıklar sütunu) içermelidir.

target_column_name
str

Etiket sütununun adı. Bu parametre , validation_data ve test_data parametreleri için training_datageçerlidir

primary_metric

Otomatik Makine Öğrenmesi'nin model seçimi için iyileştireceği ölçüm. Otomatik Makine Öğrenmesi iyileştirenenden daha fazla ölçüm toplar. Ölçümlerin hesaplanma şekli hakkında daha fazla bilgi için bkz https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric. .

Kabul edilebilir değerler: spearman_correlation, r2_score, normalized_mean_absolute_error normalized_root_mean_squared_error. Varsayılan olarak normalized_root_mean_squared_error

enable_model_explainability
bool

Tüm AutoML eğitim yinelemelerinin sonunda en iyi AutoML modelinin açıklanıp açıklanmayacağı. Varsayılan değer Yok'tır. Daha fazla bilgi için bkz . Yorumlanabilirlik: otomatik makine öğrenmesinde model açıklamaları.

weight_column_name
str

Örnek ağırlık sütununun adı. Otomatik ML, giriş olarak ağırlıklı bir sütunu destekler ve bu da verilerdeki satırların yukarı veya aşağı ağırlıklı olmasına neden olur. Giriş verileri bir pandas'tan alınıyorsa. Sütun adları olmayan DataFrame, bunun yerine tamsayı olarak ifade edilen sütun dizinleri kullanılabilir.

Bu parametre ve validation_data parametreleri için training_data geçerlidir

validation_data
Input

Deneme içinde kullanılacak doğrulama verileri. Hem eğitim özelliklerini hem de etiket sütununu (isteğe bağlı olarak bir örnek ağırlık sütunu) içermelidir.

Varsayılan değer Yok

validation_data_size
float

Kullanıcı doğrulama verileri belirtilmediğinde doğrulama için tutulacak verilerin ne kadar kesirli olduğu. Bu değer 0,0 ile 1,0 arasında olmalıdır ve bunlar dahil değildir.

Doğrulama verilerini sağlamak için belirtin validation_data , aksi takdirde doğrulama verilerini belirtilen eğitim verilerinden ayarlayın n_cross_validations veya validation_data_size ayıklayın. Özel çapraz doğrulama katlama için kullanın cv_split_column_names.

Daha fazla bilgi için bkz . Otomatik makine öğrenmesinde veri bölmelerini ve çapraz doğrulamayı yapılandırma.

Varsayılan değer Yok

n_cross_validations
Union[str, int]

Kullanıcı doğrulama verileri belirtilmediğinde gerçekleştirilecek çapraz doğrulamalar.

Doğrulama verilerini sağlamak için belirtin validation_data , aksi takdirde doğrulama verilerini belirtilen eğitim verilerinden ayarlayın n_cross_validations veya validation_data_size ayıklayın. Özel çapraz doğrulama katlama için kullanın cv_split_column_names.

Daha fazla bilgi için bkz . Otomatik makine öğrenmesinde veri bölmelerini ve çapraz doğrulamayı yapılandırma.

Varsayılan değer Yok

cv_split_column_names
List[str]

Özel çapraz doğrulama bölme içeren sütunların adları listesi. CV bölme sütunlarının her biri, her satırın eğitim için 1 veya doğrulama için 0 olarak işaretlendiği bir CV bölmesini temsil eder.

Varsayılan değer Yok

test_data
Input

Test veri kümelerini veya test veri bölmelerini kullanan Model Testi özelliği, Önizleme durumundaki bir özelliktir ve herhangi bir zamanda değişebilir. Model eğitimi tamamlandıktan sonra otomatik olarak başlatılacak bir test çalıştırması için kullanılacak test verileri. Test çalıştırması en iyi modeli kullanarak tahminleri alır ve bu tahminler göz önüne alındığında ölçümleri hesaplar.

Bu parametre veya test_data_size parametre belirtilmezse, model eğitimi tamamlandıktan sonra hiçbir test çalıştırması otomatik olarak yürütülmeyecektir. Test verileri hem özellikleri hem de etiket sütununu içermelidir. belirtilirse test_data parametresi belirtilmelidir target_column_name .

Varsayılan değer Yok

test_data_size
float

Test veri kümelerini veya test veri bölmelerini kullanan Model Testi özelliği, Önizleme durumundaki bir özelliktir ve herhangi bir zamanda değişebilir. Model eğitimi tamamlandıktan sonra otomatik olarak başlatılacak bir test çalıştırması için test verileri için tutulacak eğitim verilerinin ne kadarı. Test çalıştırması en iyi modeli kullanarak tahminleri alır ve bu tahminler göz önüne alındığında ölçümleri hesaplar.

Bu değer 0,0 ile 1,0 arasında olmalıdır ve bunlar dahil değildir. ile aynı zamanda validation_data_sizebelirtilirsetest_data_size, doğrulama verileri bölünmeden önce test verileri'nden training_data bölünür. Örneğin, ve özgün eğitim verileri 1000 satır içeriyorsavalidation_data_size=0.1test_data_size=0.1, test verileri 100 satıra sahip olur, doğrulama verileri 90 satır içerir ve eğitim verileri 810 satır içerir.

Regresyon tabanlı görevler için rastgele örnekleme kullanılır. Sınıflandırma görevleri için katmanlı örnekleme kullanılır. Tahmin şu anda eğitim/test bölme kullanarak test veri kümesi belirtmeyi desteklememektedir.

Bu parametre veya test_data parametre belirtilmezse, model eğitimi tamamlandıktan sonra hiçbir test çalıştırması otomatik olarak yürütülmeyecektir.

Varsayılan değer Yok

Döndürülenler

Yürütme için Azure ML işlemine gönderilebilen bir iş nesnesi.

Dönüş türü

RegressionJob

text_classification

TextClassificationJob oluşturmak için işlev.

Metin sınıflandırma işi, metin verilerinin sınıfını/kategorisini tahmin edebilen bir modeli eğitmek için kullanılır. Giriş eğitim verileri, metni tam olarak bir sınıfa sınıflayan bir hedef sütun içermelidir.

text_classification(*, training_data: Input, target_column_name: str, validation_data: Input, primary_metric: str | None = None, log_verbosity: str | None = None, **kwargs) -> TextClassificationJob

Parametreler

training_data
Input

Deneme içinde kullanılacak eğitim verileri. Hem eğitim özelliklerini hem de hedef sütunu içermelidir.

target_column_name
str

Hedef sütunun adı.

validation_data
Input

Deneme içinde kullanılacak doğrulama verileri. Hem eğitim özelliklerini hem de hedef sütunu içermelidir.

primary_metric
Union[str, ClassificationPrimaryMetrics]

Görevin birincil ölçümü. Kabul edilebilir değerler: doğruluk, AUC_weighted, precision_score_weighted

log_verbosity
str

Günlük ayrıntı düzeyi.

kwargs
dict

Ek yapılandırma parametreleri sözlüğü.

Döndürülenler

TextClassificationJob nesnesi.

Dönüş türü

TextClassificationJob

text_classification_multilabel

TextClassificationMultilabelJob oluşturmak için işlev.

Metin sınıflandırması çok etiketli iş, metin verilerinin sınıflarını/kategorilerini tahmin edebilen bir modeli eğitmek için kullanılır. Giriş eğitim verileri, metni sınıflara dönüştüren bir hedef sütun içermelidir. Çok etiketli verilerin biçimi hakkında daha fazla bilgi için bkz: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-nlp-models#multi-label

text_classification_multilabel(*, training_data: Input, target_column_name: str, validation_data: Input, primary_metric: str | None = None, log_verbosity: str | None = None, **kwargs) -> TextClassificationMultilabelJob

Parametreler

training_data
Input

Deneme içinde kullanılacak eğitim verileri. Hem eğitim özelliklerini hem de hedef sütunu içermelidir.

target_column_name
str

Hedef sütunun adı.

validation_data
Input

Deneme içinde kullanılacak doğrulama verileri. Hem eğitim özelliklerini hem de hedef sütunu içermelidir.

primary_metric
str

Görevin birincil ölçümü. Kabul edilebilir değerler: doğruluk

log_verbosity
str

Günlük ayrıntı düzeyi.

kwargs
dict

Ek yapılandırma parametreleri sözlüğü.

Döndürülenler

TextClassificationMultilabelJob nesnesi.

Dönüş türü

TextClassificationMultilabelJob

text_ner

TextNerJob oluşturma işlevi.

Varlık tanıma işi adlı bir metin, metindeki adlandırılmış varlıkları tahmin edebilen bir modeli eğitmek için kullanılır. Giriş eğitim verileri CoNLL biçiminde bir metin dosyası olmalıdır. Metin NER verilerinin biçimi hakkında daha fazla bilgi için bkz: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-nlp-models#named-entity-recognition-ner

text_ner(*, training_data: Input, validation_data: Input, primary_metric: str | None = None, log_verbosity: str | None = None, **kwargs) -> TextNerJob

Parametreler

training_data
Input

Deneme içinde kullanılacak eğitim verileri. Hem eğitim özelliklerini hem de hedef sütunu içermelidir.

validation_data
Input

Deneme içinde kullanılacak doğrulama verileri. Hem eğitim özelliklerini hem de hedef sütunu içermelidir.

primary_metric
str

Görevin birincil ölçümü. Kabul edilebilir değerler: doğruluk

log_verbosity
str

Günlük ayrıntı düzeyi.

kwargs
dict

Ek yapılandırma parametreleri sözlüğü.

Döndürülenler

TextNerJob nesnesi.

Dönüş türü

TextNerJob