ForecastingJob Sınıf
AutoML Tahmin Görevi yapılandırması.
Yeni bir AutoML Tahmin görevi başlatın.
- Devralma
-
azure.ai.ml.entities._job.automl.tabular.automl_tabular.AutoMLTabularForecastingJob
Oluşturucu
ForecastingJob(*, primary_metric: str | None = None, forecasting_settings: ForecastingSettings | None = None, **kwargs)Parametreler
Yöntemler
| dump |
İş içeriğini YAML biçiminde bir dosyaya dökümünü alır. |
| set_data |
Veri yapılandırmasını tanımlama. |
| set_featurization |
Özellik mühendisliği yapılandırmasını tanımlama. |
| set_forecast_settings |
Tahmin görevleri tarafından kullanılan parametreleri yönetin. |
| set_limits |
İş için sınırlar ayarlayın. |
| set_training |
Tahmin eğitimiyle ilgili ayarları yapılandırma yöntemi. |
dump
İş içeriğini YAML biçiminde bir dosyaya dökümünü alır.
dump(dest: str | PathLike | IO, **kwargs) -> NoneParametreler
YAML içeriğinin yazılabileceği yerel yol veya dosya akışı. Dest bir dosya yoluysa yeni bir dosya oluşturulur. Dest açık bir dosyaysa, dosya doğrudan öğesine yazılır.
- kwargs
- dict
YAML seri hale getiricisine geçirmek için ek bağımsız değişkenler.
Özel durumlar
Dest bir dosya yoluysa ve dosya zaten varsa oluşturulur.
Dest açık bir dosyaysa ve dosya yazılabilir değilse oluşturulur.
set_data
Veri yapılandırmasını tanımlama.
set_data(*, training_data: Input, target_column_name: str, weight_column_name: str | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, n_cross_validations: str | int | None = None, cv_split_column_names: List[str] | None = None, test_data: Input | None = None, test_data_size: float | None = None) -> NoneParametreler
- training_data
- Input
Eğitim verileri.
- target_column_name
- str
Hedef sütunun sütun adı.
n_cross_validations, varsayılan olarak Yok'a ayarlanır
Özel durumlar
Dest bir dosya yoluysa ve dosya zaten varsa oluşturulur.
Dest açık bir dosyaysa ve dosya yazılabilir değilse oluşturulur.
set_featurization
Özellik mühendisliği yapılandırmasını tanımlama.
set_featurization(*, blocked_transformers: List[BlockedTransformers | str] | None = None, column_name_and_types: Dict[str, str] | None = None, dataset_language: str | None = None, transformer_params: Dict[str, List[ColumnTransformer]] | None = None, mode: str | None = None, enable_dnn_featurization: bool | None = None) -> NoneParametreler
- blocked_transformers
- Optional[List[Union[BlockedTransformers, str]]]
Özellik geliştirme sırasında engellenecek transformatör adlarının listesi, varsayılan olarak Yok olarak ayarlanır
Sütun amacını güncelleştirmek için kullanılan sütun adlarının ve özellik türlerinin sözlüğü, varsayılan olarak Yok olarak ayarlanır
Veri kümesinde yer alan diller için üç karakterli ISO 639-3 kodu. İngilizce dışındaki diller yalnızca GPU özellikli işlem kullanıyorsanız desteklenir. Veri kümesi birden çok dil içeriyorsa 'mul' language_code kullanılmalıdır. Farklı diller için ISO 639-3 kodlarını bulmak için lütfen adresine bakın https://en.wikipedia.org/wiki/List_of_ISO_639-3_codes, varsayılan olarak Yok
- transformer_params
- Optional[Dict[str, List[ColumnTransformer]]]
Transformatör sözlüğü ve karşılık gelen özelleştirme parametreleri, varsayılan olarak Yok olarak ayarlanır
DNN tabanlı özellik mühendisliği yöntemlerinin dahil edilip edilmeyeceği, varsayılan olarak Yok olarak ayarlanır
Özel durumlar
Dest bir dosya yoluysa ve dosya zaten varsa oluşturulur.
Dest açık bir dosyaysa ve dosya yazılabilir değilse oluşturulur.
set_forecast_settings
Tahmin görevleri tarafından kullanılan parametreleri yönetin.
set_forecast_settings(*, time_column_name: str | None = None, forecast_horizon: str | int | None = None, time_series_id_column_names: str | List[str] | None = None, target_lags: str | int | List[int] | None = None, feature_lags: str | None = None, target_rolling_window_size: str | int | None = None, country_or_region_for_holidays: str | None = None, use_stl: str | None = None, seasonality: str | int | None = None, short_series_handling_config: str | None = None, frequency: str | None = None, target_aggregate_function: str | None = None, cv_step_size: int | None = None, features_unknown_at_forecast_time: str | List[str] | None = None) -> NoneParametreler
Saat sütununun adı. Bu parametre, zaman serisini oluşturmak ve sıklığını çıkarsamak için kullanılan giriş verilerinde tarih saat sütununu belirtmek için tahminde bulunurken gereklidir.
- forecast_horizon
Zaman serisi sıklığı birimlerinde istenen maksimum tahmin ufku. Varsayılan değer 1’dir.
Birimler, tahminde bulunanın tahmin etmesi gereken aylık, haftalık gibi eğitim verilerinizin zaman aralığını temel alır. Görev türü tahmin edilirken bu parametre gereklidir. Tahmin parametrelerini ayarlama hakkında daha fazla bilgi için bkz. Zaman serisi tahmin modelini otomatik olarak eğitme.
Bir zaman serisini gruplandırmak için kullanılan sütunların adları. Birden çok seri oluşturmak için kullanılabilir. Zaman serisi kimliği sütun adları tanımlanmamışsa veya belirtilen tanımlayıcı sütunları veri kümesindeki tüm serileri tanımmıyorsa, veri kümeniz için zaman serisi tanımlayıcıları otomatik olarak oluşturulur.
- target_lags
Hedef sütundan geri alınacak geçmiş dönemlerin sayısı. Gecikmeler varsayılan olarak kapalıdır.
Tahmin yaparken, bu parametre verilerin sıklığına bağlı olarak hedef değerlerin gecikmesi için satır sayısını temsil eder. Bu, bir liste veya tek bir tamsayı olarak temsil edilir. Bağımsız değişkenler ile bağımlı değişken arasındaki ilişki varsayılan olarak eşleşmediğinde veya ilişkilendirilmediğinde gecikme kullanılmalıdır. Örneğin, bir ürünün talebini tahmin etmeye çalışırken, herhangi bir aydaki talep, 3 ay önceki belirli emtiaların fiyatına bağlı olabilir. Bu örnekte, modelin doğru ilişki üzerinde eğitim görebilmesi için hedefi (talebi) 3 ay gecikmeli olarak geçirmek isteyebilirsiniz. Daha fazla bilgi için bkz. Zaman serisi tahmin modelini otomatik olarak eğitme.
Hedef gecikmelerin ve sıralı pencere boyutunun otomatik olarak algılanmasıyla ilgili not. Lütfen sıralı pencere bölümünde ilgili yorumlara bakın. En uygun hedef gecikmesini ve sıralı pencere boyutunu algılamak için bir sonraki algoritmayı kullanırız.
Geriye bakma özelliği seçimi için maksimum gecikme sırasını tahmin edin. Bizim örneğimizde bir sonraki tarih sıklığı ayrıntı düzeyine kadar olan dönem sayısıdır; örneğin sıklık günlükse bir hafta (7), hafta ise ay (4) olur. Bu değerlerin iki ile çarpılması, gecikme/hareketli pencerelerin mümkün olan en büyük değerleridir. Örneklerimizde sırasıyla 14 ve 8 maksimum gecikme sırasını dikkate alacaktır).
Eğilim ve artık bileşenler ekleyerek mevsimselleştirilmiş bir seri oluşturun. Bu, sonraki adımda kullanılacaktır.
(2) verilerinde PACF - Kısmi Otomatik Bağıntı İşlevi'ni tahmin edin ve noktaları arayın; burada otomatik bağıntı önemlidir; yani mutlak değeri daha fazladır ve %95'in önemine karşılık gelen 1,96/square_root(maksimum gecikme değeri).
Tüm noktalar önemliyse, bunu güçlü mevsimsellik olarak değerlendiririz ve geriye dönüp bakma özellikleri oluşturmayız.
PACF değerlerini baştan tararız ve ilk önemsiz otomatik bağıntıdan önceki değer gecikmeyi belirleyecektir. İlk önemli öğe (değer kendisiyle bağıntılı) ve ardından önemsiz bir öğe gelirse, gecikme 0 olur ve geçmişe bakma özelliklerini kullanmayız.
Hedef sütunun sıralı pencere ortalamasını oluşturmak için kullanılan geçmiş dönemlerin sayısı.
Tahmin yaparken, bu parametre tahmin edilen değerleri oluşturmak için kullanılacak n geçmiş dönemi , <= eğitim kümesi boyutunu temsil eder. Belirtilmezse , n tam eğitim kümesi boyutudur. Modeli eğitirken yalnızca belirli bir geçmiş miktarını göz önünde bulundurmak istediğinizde bu parametreyi belirtin. 'otomatik' olarak ayarlanırsa, sıralı pencere PACF'nin anlam eşiğinden daha fazla olduğu son değer olarak tahmin edilir. Ayrıntılar için lütfen target_lags bölüme bakın.
Tatil özellikleri oluşturmak için kullanılan ülke/bölge. Bunlar ISO 3166 iki harfli ülke/bölge kodları olmalıdır, örneğin 'ABD' veya 'GB'.
- use_stl
Zaman serisi hedef sütununun STL Ayrıştırma'sını yapılandırın. use_stl üç değer alabilir: Yok (varsayılan) - ayrıştırma yok, 'sezon' - yalnızca sezon bileşeni ve season_trend oluştur - hem mevsim hem de eğilim bileşenlerini oluşturun.
Zaman serisi mevsimselliğini, seri sıklığının tamsayı katı olarak ayarlayın. Mevsimsellik 'otomatik' olarak ayarlanırsa, çıkarsanır. Hiçbiri olarak ayarlanırsa, zaman serisi mevsimsellik dışı kabul edilir ve bu da mevsimsellik=1 ile eşdeğerdir.
- short_series_handling_config
AutoML'nin kısa zaman serisini nasıl işleyeceklerini tanımlayan parametre.
Olası değerler: 'auto' (varsayılan), 'pad', 'drop' ve None.
- uzun seri yoksa otomatik kısa seri doldurulacak,
aksi takdirde kısa seriler bırakılır.
- tuş takımı tüm kısa seriler doldurulacaktır.
- tüm kısa seriler bırakılacaktır".
- Hiçbiri kısa seri değiştirilmez.
'pad' olarak ayarlanırsa tablo, verilen zaman serisi kimliği için ortalama hedef değere eşit ortanca değere sahip hedef için regresörler ve rastgele değerler için sıfırlar ve boş değerlerle doldurulur. Ortanca değer sıfırdan büyük veya sıfıra eşitse, minimum doldurulmuş değer sıfıra kırpılır: Giriş:
Date
numeric_value
Dize
Hedef
2020-01-01
23
green
55
Minimum değer sayısının dört olduğunu varsayarsak çıkış:
Date
numeric_value
Dize
Hedef
2019-12-29
0
NA
55.1
2019-12-30
0
NA
55.6
2019-12-31
0
NA
54.5
2020-01-01
23
green
55
Not: short_series_handling_configuration ve eski short_series_handling iki parametremiz vardır. Her iki parametre de ayarlandığında, bunları aşağıdaki tabloda gösterildiği gibi eşitleriz (short_series_handling_configuration ve kısaltma için short_series_handling sırasıyla handling_configuration ve işleme olarak işaretlenir).
Işleme
handlingconfiguration
sonuç elde etme
resultinghandlingconfiguration
Doğru
auto
Doğru
auto
Doğru
Pad
Doğru
auto
Doğru
drop
Doğru
auto
Doğru
Hiçbiri
Yanlış
Hiçbiri
Yanlış
auto
Yanlış
Hiçbiri
Yanlış
Pad
Yanlış
Hiçbiri
Yanlış
drop
Yanlış
Hiçbiri
Yanlış
Hiçbiri
Yanlış
Hiçbiri
- frequency
Tahmin sıklığı.
Tahmin yapılırken, bu parametre tahminin istendiği dönemi (örneğin, günlük, haftalık, yıllık vb.) temsil eder. Tahmin sıklığı varsayılan olarak veri kümesi sıklığıdır. İsteğe bağlı olarak veri kümesi sıklığından daha büyük (ancak daha az değil) olarak ayarlayabilirsiniz. Verileri toplayarak sonuçları tahmin sıklığında oluşturacağız. Örneğin, günlük veriler için sıklığı günlük, haftalık veya aylık olarak ayarlayabilirsiniz ancak saatlik olarak ayarlayamayabilirsiniz. Sıklığın pandas uzaklık diğer adı olması gerekir. Daha fazla bilgi için lütfen pandas belgelerine bakın: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects
- target_aggregate_function
Zaman serisi hedef sütununu kullanıcının belirtilen sıklığına uyacak şekilde toplamak için kullanılacak işlev. target_aggregation_function ayarlanmışsa ancak freq parametresi ayarlanmadıysa hata oluşur. Olası hedef toplama işlevleri şunlardır: "sum", "max", "min" ve "mean".
Hedef sütun değerleri, belirtilen işleme göre toplanır. Genellikle toplam çoğu senaryo için uygundur.
Verilerinizdeki sayısal tahmin aracı sütunları toplam, ortalama, minimum değer ve maksimum değere göre toplanır. Sonuç olarak, otomatik ML toplama işlevi adıyla ekli yeni sütunlar oluşturur ve seçili toplama işlemini uygular.
Kategorik tahmin sütunları için veriler, penceredeki en belirgin kategori olan moda göre toplanır.
Tarih tahmincisi sütunları minimum değer, en büyük değer ve mod tarafından toplanır.
Frekans
target_aggregation_function
Veri düzenliliği düzeltme mekanizması
Hiçbiri (Varsayılan)
Hiçbiri (Varsayılan)
Toplama uygulanmadı. Validfrequency belirlenemezse hata oluşur.
Bazı Değerler
Hiçbiri (Varsayılan)
Toplama uygulanmadı. Veri noktalarının sayısı uyumsuz togiven frequencygrid değeri yoksa bu noktaların %90'ı geri taşınır, aksi takdirde hata oluşur.
Hiçbiri (Varsayılan)
Toplama işlevi
Missingfrequencyparameter hatası ölçülür.
Bazı Değerler
Toplama işlevi
toplama tofrequency usingprovidedaggregationfunction.
Bir CV katlama ile bir sonraki katlamanın origin_time arasındaki dönem sayısı. Örneğin, günlük veriler için n_step = 3 ise, her katlamanın başlangıç süresi üç gün arayla olur.
Eğitim için kullanılabilen ancak tahmin/çıkarım sırasında bilinmeyen özellik sütunları. features_unknown_at_forecast_time boş bir listeye ayarlanırsa, veri kümesindeki tüm özellik sütunlarının çıkarım zamanında bilindiği varsayılır. Bu parametre ayarlanmadıysa gelecekteki özellikler için destek etkinleştirilmez.
Özel durumlar
Dest bir dosya yoluysa ve dosya zaten varsa oluşturulur.
Dest açık bir dosyaysa ve dosya yazılabilir değilse oluşturulur.
set_limits
İş için sınırlar ayarlayın.
set_limits(*, enable_early_termination: bool | None = None, exit_score: float | None = None, max_concurrent_trials: int | None = None, max_cores_per_trial: int | None = None, max_nodes: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None, trial_timeout_minutes: int | None = None) -> NoneParametreler
Kısa vadede puan geliştirilmiyorsa erken sonlandırmanın etkinleştirilip etkinleştirilmeyileceği varsayılan olarak Yok olur.
Erken durdurma mantığı:
İlk 20 yineleme (yer işaretleri) için erken durdurma yok.
Erken durdurma penceresi 21. yinelemede başlar ve early_stopping_n_iters yinelemeleri arar
(şu anda 10 olarak ayarlanmıştır). Bu, durdurmanın gerçekleşebileceği ilk yinelemenin 31. yineleme olduğu anlamına gelir.
AutoML, erken durdurmadan sonra hala 2 grup yinelemesi zamanlar ve bu da daha yüksek puanlara neden olabilir.
En iyi puanın hesaplanmış mutlak değeri geçmiş için aynıysa erken durdurma tetikleniyor
Yinelemeleri early_stopping_n_iters, yani early_stopping_n_iters yinelemeler için puanda bir gelişme yoksa.
Deneme için hedef puan. Bu puana ulaşıldıktan sonra deneme sonlandırılır. Belirtilmezse (ölçüt yoksa), birincil ölçümde başka bir ilerleme kaydedilmeden deneme çalıştırılır. Çıkış ölçütleri hakkında daha fazla bilgi için bu makaleye bakın. Varsayılan olarak Yok
Bu, paralel olarak yürütülecek en fazla yineleme sayısıdır. Varsayılan değer 1’dir.
- AmlCompute kümeleri düğüm başına çalışan bir yinelemeyi destekler.
Tek bir AmlCompute kümesinde paralel olarak yürütülen birden çok AutoML deneme üst çalıştırması için, tüm denemelerin değerlerinin max_concurrent_trials toplamı en fazla düğüm sayısından küçük veya buna eşit olmalıdır. Aksi takdirde, düğümler kullanılabilir olana kadar çalıştırmalar kuyruğa alınır.
- DSVM düğüm başına birden çok yinelemeyi destekler.
max_concurrent_trialsGerekir
DSVM'de çekirdek sayısından küçük veya buna eşit olmalıdır. Tek bir DSVM üzerinde paralel olarak çalıştırılacak birden çok deneme için, tüm denemelerin değerlerinin max_concurrent_trials toplamı en fazla düğüm sayısından küçük veya buna eşit olmalıdır.
- Databricks -
max_concurrent_trialsdeğerin sayısından küçük veya buna eşit olmalıdır
Databricks'te çalışan düğümleri.
max_concurrent_trials yerel çalıştırmalara uygulanmaz. Daha önce bu parametre olarak adlandırıldı concurrent_iterations.
Belirli bir eğitim yinelemesi için kullanılacak iş parçacığı sayısı üst sınırı. Kabul edilebilir değerler:
1'den büyük ve işlem hedefinde maksimum çekirdek sayısından küçük veya buna eşit.
-1'e eşittir, bu da alt çalıştırma başına yineleme başına tüm olası çekirdekleri kullanmak anlamına gelir.
Varsayılan değer olan 1'e eşittir.
[Deneysel] Dağıtılmış eğitim için kullanılacak en fazla düğüm sayısı.
Tahmin için her model max(2, int(max_nodes / max_concurrent_trials)) düğümleri kullanılarak eğitilir.
Sınıflandırma/regresyon için her model max_nodes düğümler kullanılarak eğitilir.
Not- Bu parametre genel önizleme aşamasındadır ve gelecekte değişebilir.
Otomatik ML denemesi sırasında test edilmesi gereken farklı algoritma ve parametre bileşimlerinin toplam sayısı. Belirtilmezse, varsayılan değer 1000 yinelemedir.
Denemenin sona ermesi için tüm yinelemelerin birleştirildiği dakika cinsinden en uzun süre. Belirtilmezse, varsayılan deneme zaman aşımı 6 gündür. 1 saatten küçük veya buna eşit bir zaman aşımı belirtmek için veri kümenizin boyutunun 10.000.000'den (satır sayısı sütunu) büyük olmadığından veya hata sonuçlarında varsayılan olarak Yok olduğundan emin olun
Her yinelemenin sonlandırılabilmesi için çalıştırabileceği en uzun süre (dakika cinsinden). Belirtilmezse, 1 ay veya 43200 dakika değeri kullanılır; varsayılan değer Yok olur
Özel durumlar
Dest bir dosya yoluysa ve dosya zaten varsa oluşturulur.
Dest açık bir dosyaysa ve dosya yazılabilir değilse oluşturulur.
set_training
Tahmin eğitimiyle ilgili ayarları yapılandırma yöntemi.
set_training(*, enable_onnx_compatible_models: bool | None = None, enable_dnn_training: bool | None = None, enable_model_explainability: bool | None = None, enable_stack_ensemble: bool | None = None, enable_vote_ensemble: bool | None = None, stack_ensemble_settings: StackEnsembleSettings | None = None, ensemble_model_download_timeout: int | None = None, allowed_training_algorithms: List[str] | None = None, blocked_training_algorithms: List[str] | None = None, training_mode: str | TrainingMode | None = None) -> NoneParametreler
- enable_onnx_compatible_models
ONNX uyumlu modellerin zorunlu olmasını etkinleştirme veya devre dışı bırakma. Varsayılan değer False'tur. Open Neural Network Exchange (ONNX) ve Azure Machine Learning hakkında daha fazla bilgi için bu makaleye bakın.
Model seçimi sırasında DNN tabanlı modellerin dahil edilip edilmeyeceği. Ancak, varsayılan değer DNN NLP görevleri için True ve diğer tüm AutoML görevleri için False'tur.
- enable_model_explainability
Tüm AutoML eğitim yinelemelerinin sonunda en iyi AutoML modelinin açıklanıp açıklanmayacağı. Daha fazla bilgi için bkz . Yorumlanabilirlik: otomatik makine öğrenmesinde model açıklamaları. , varsayılan olarak Yok'a ayarlanır
- enable_stack_ensemble
StackEnsemble yinelemesini etkinleştirme/devre dışı bırakma. enable_onnx_compatible_models bayrağı ayarlanıyorsa StackEnsemble yinelemesi devre dışı bırakılır. Benzer şekilde, Timeseries görevlerinde StackEnsemble yinelemesi, meta öğrenciyi sığdırmak için kullanılan küçük eğitim kümesi nedeniyle fazla uygunluk risklerinden kaçınmak için varsayılan olarak devre dışı bırakılır. Topluluklar hakkında daha fazla bilgi için bkz. Grup yapılandırması , varsayılan olarak Yok
- enable_vote_ensemble
VotingEnsemble yinelemesini etkinleştirme/devre dışı bırakma. Topluluklar hakkında daha fazla bilgi için bkz. Grup yapılandırması , varsayılan olarak Yok
- stack_ensemble_settings
- Optional[StackEnsembleSettings]
StackEnsemble yinelemesi ayarları, varsayılan olarak Yok olur
VotingEnsemble ve StackEnsemble model oluşturma sırasında, önceki alt çalıştırmalardan gelen birden çok uydurılmış model indirilir. Bu parametreyi 300 saniyeden daha yüksek bir değerle yapılandırın, daha fazla zaman gerekirse varsayılan olarak Yok olur
Deneme için aranacak model adlarının listesi. Belirtilmezse, görev için desteklenen tüm modeller, tensorflow modellerinde blocked_training_algorithms belirtilen veya kullanım dışı bırakılan modellerden çıkarıldığında kullanılır ve varsayılan olarak Yok olur
Deneme için yoksayılan algoritmaların listesi, varsayılan olarak Yok olarak ayarlanır
- training_mode
[Deneysel] Kullanılacak eğitim modu. Olası değerler şunlardır:
distributed- Desteklenen algoritmalar için dağıtılmış eğitimi etkinleştirir.
non_distributed- dağıtılmış eğitimi devre dışı bırakır.
auto- Şu anda non_distributed ile aynıdır. Gelecekte bu durum değişebilir.
Not: Bu parametre genel önizleme aşamasındadır ve gelecekte değişebilir.
Özel durumlar
Dest bir dosya yoluysa ve dosya zaten varsa oluşturulur.
Dest açık bir dosyaysa ve dosya yazılabilir değilse oluşturulur.
Öznitelikler
base_path
creation_context
Kaynağın oluşturma bağlamı.
Döndürülenler
Kaynağın oluşturma meta verileri.
Dönüş türü
featurization
AutoML işi için tablosal özellik oluşturma ayarlarını alın.
Döndürülenler
AutoML işi için tablosal özellik geliştirme ayarları
Dönüş türü
forecasting_settings
id
Kaynak kimliği.
Döndürülenler
Kaynağın genel kimliği, Azure Resource Manager (ARM) kimliği.
Dönüş türü
inputs
limits
AutoML işi için tablosal sınırları alın.
Döndürülenler
AutoML işi için tablosal sınırlar
Dönüş türü
log_files
İş çıkış dosyaları.
Döndürülenler
Günlük adlarının ve URL'lerin sözlüğü.
Dönüş türü
log_verbosity
AutoML işi için günlük ayrıntı düzeyini alın.
Döndürülenler
AutoML işi için günlük ayrıntı düzeyi
Dönüş türü
outputs
primary_metric
Model seçimi için kullanılacak birincil ölçümü döndürür.
Döndürülenler
Model seçimi için birincil ölçüm.
Dönüş türü
status
İşin durumu.
Döndürülen yaygın değerler şunlardır: "Çalışıyor", "Tamamlandı" ve "Başarısız". Tüm olası değerler şunlardır:
NotStarted - Bu, istemci tarafı Çalıştırma nesnelerinin bulut göndermeden önce içinde olduğu geçici bir durumdur.
Başlatılıyor - Çalıştırma bulutta işlenmeye başladı. Çağıranın bu noktada bir çalıştırma kimliği vardır.
Sağlama - Belirli bir iş gönderimi için isteğe bağlı işlem oluşturuluyor.
Hazırlanıyor - Çalıştırma ortamı hazırlanıyor ve iki aşamadan birinde:
Docker görüntü derlemesi
conda ortamı kurulumu
Kuyruğa alındı - İş işlem hedefinde kuyruğa alındı. Örneğin, BatchAI'de iş kuyruğa alınmış durumdadır
tüm istenen düğümlerin hazır olmasını beklerken.
Çalışıyor - İş işlem hedefinde çalışmaya başladı.
Son haline getirme - Kullanıcı kodu yürütmesi tamamlandı ve çalıştırma işlem sonrası aşamalarda.
CancelRequested - İş için iptal istendi.
Tamamlandı - Çalıştırma başarıyla tamamlandı. Buna hem kullanıcı kodu yürütme hem de çalıştırma dahildir
işlem sonrası aşamalar.
Başarısız - Çalıştırma başarısız oldu. Genellikle bir çalıştırmadaki Error özelliği nedenine ilişkin ayrıntıları sağlar.
İptal edildi - bir iptal isteği izler ve çalıştırmanın başarıyla iptal edildi olduğunu gösterir.
NotResponding - Sinyallerin etkinleştirildiği çalıştırmalar için yakın zamanda sinyal gönderilmedi.
Döndürülenler
İşin durumu.
Dönüş türü
studio_url
Azure ML studio uç noktası.
Döndürülenler
İş ayrıntıları sayfasının URL'si.
Dönüş türü
task_type
Görev türünü alma.
Döndürülenler
Çalıştırılacak görevin türü. Olası değerler şunlardır: "sınıflandırma", "regresyon", "tahmin".
Dönüş türü
test_data
training
Tahmin eğitim ayarlarını döndürür.
Döndürülenler
eğitim ayarları' nı seçin.
Dönüş türü
training_data
type
validation_data
Azure SDK for Python
Geri Bildirim
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz. https://aka.ms/ContentUserFeedback.
Gönderin ve geri bildirimi görüntüleyin