Share via

你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

automl 包

  • 参考

包含 Azure 机器学习 SDKv2 的自动化机器学习类。

主要领域包括管理 AutoML 任务。

类

ClassificationJob

AutoML 分类作业的配置。

初始化新的 AutoML 分类任务。
ColumnTransformer

列转换器设置。
ForecastingJob

AutoML 预测任务的配置。

初始化新的 AutoML 预测任务。
ForecastingSettings

预测 AutoML 作业的设置。
ImageClassificationJob

AutoML 多类图像分类作业的配置。

初始化新的 AutoML 多类图像分类作业。
ImageClassificationMultilabelJob

AutoML 多标签图像分类作业的配置。

初始化新的 AutoML 多标签图像分类作业。
ImageClassificationSearchSpace

搜索 AutoML 图像分类和图像分类多标签任务的空间。
ImageInstanceSegmentationJob

AutoML 映像实例分段作业的配置。

初始化新的 AutoML 映像实例分段作业。
ImageLimitSettings

限制 AutoML 图像垂直设置。

ImageLimitSettings 是包含以下参数的类：max_concurrent_trials、max_trials 和 timeout_minutes。

这是一种可选配置方法，用于配置超时等限制参数。

注意

并发运行数根据指定计算目标中的可用资源进行限制。

请确保计算目标能够为所需的并发性提供足够的可用资源。

提示

最好将max_concurrent_trials计数与群集中的节点数进行匹配。

例如，如果群集具有 4 个节点，请将 max_concurrent_trials 设置为 4。

示例用法

ImageLimitSettings 的配置


   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()

初始化 ImageLimitSettings 对象。

AutoML 图像垂直的 ImageLimitSettings 的构造函数。
ImageModelSettingsClassification

AutoML 图像分类任务的模型设置。
ImageModelSettingsObjectDetection

AutoML 图像对象检测任务的模型设置。
ImageObjectDetectionJob

AutoML 图像对象检测作业的配置。

初始化新的 AutoML 图像对象检测作业。
ImageObjectDetectionSearchSpace

搜索 AutoML 图像对象检测和图像实例分段任务的空间。
ImageSweepSettings

所有 AutoML 垂直图像的扫描设置。
NlpFeaturizationSettings

所有 AutoML NLP 垂直的特征化设置。
NlpFixedParameters

对象，用于容纳 NLP 作业的固定参数。
NlpLimitSettings

所有 AutoML NLP 垂直的限制设置。
NlpSearchSpace

搜索 AutoML NLP 任务的空间。
NlpSweepSettings

所有 AutoML NLP 任务的扫描设置。
RegressionJob

AutoML 回归作业的配置。

初始化新的 AutoML 回归任务。
SearchSpace

AutoML 垂直的 SearchSpace 类。
StackEnsembleSettings

高级设置以自定义 StackEnsemble 运行。
TabularFeaturizationSettings

AutoML 作业的特征化设置。
TabularLimitSettings

限制 AutoML 表垂直设置。
TextClassificationJob

AutoML 文本分类作业的配置。

初始化新的 AutoML 文本分类任务。
TextClassificationMultilabelJob

AutoML 文本分类多标签作业的配置。

初始化新的 AutoML 文本分类多标签任务。
TextNerJob

AutoML 文本 NER 作业的配置。

初始化新的 AutoML 文本 NER 任务。
TrainingSettings

Azure 机器学习的 TrainingSettings 类。

Azure 机器学习的 TrainingSettings 类。

枚举

BlockedTransformers

AutoML 支持的所有分类模型的枚举。
ClassificationModels

AutoML 支持的所有分类模型的枚举。
ClassificationMultilabelPrimaryMetrics

分类多标签任务的主要指标。
ClassificationPrimaryMetrics

分类任务的主要指标。
FeaturizationMode

特征化模式 - 确定数据特征化模式。
ForecastHorizonMode

用于确定预测范围选择模式的枚举。
ForecastingModels

AutoML 支持的所有预测模型的枚举。
ForecastingPrimaryMetrics

预测任务的主要指标。
InstanceSegmentationPrimaryMetrics

InstanceSegmentation 任务的主要指标。
LearningRateScheduler

学习速率计划程序枚举。
LogTrainingMetrics

包含 Azure 机器学习 SDKv2 的自动化机器学习类。

主要领域包括管理 AutoML 任务。
LogValidationLoss

包含 Azure 机器学习 SDKv2 的自动化机器学习类。

主要领域包括管理 AutoML 任务。
NCrossValidationsMode

确定如何确定 N 交叉验证值。
ObjectDetectionPrimaryMetrics

Image ObjectDetection 任务的主要指标。
RegressionModels

AutoML 支持的所有回归模型的枚举。
RegressionPrimaryMetrics

回归任务的主要指标。
SamplingAlgorithmType

包含 Azure 机器学习 SDKv2 的自动化机器学习类。

主要领域包括管理 AutoML 任务。
ShortSeriesHandlingConfiguration

定义 AutoML 应如何处理短时序的参数。
StochasticOptimizer

图像模型的随机优化器。
TargetAggregationFunction

目标聚合函数。
TargetLagsMode

目标延迟选择模式。
TargetRollingWindowSizeMode

目标滚动窗口大小模式。
UseStl

配置时序目标列的 STL 分解。
ValidationMetricType

用于图像任务中的验证指标的指标计算方法。

函数

classification

用于创建 ClassificationJob 的函数。

分类作业用于训练最能预测数据样本类的模型。 使用训练数据训练各种模型。 基于主要指标的验证数据性能最佳的模型被选为最终模型。

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

参数

training_data
Input

要在试验中使用的训练数据。 应该包含训练特征和标签列（可以选择性地包含样本权重列）。

target_column_name
str

标签列的名称。 此参数适用于 training_data、 validation_data 和 test_data 参数

primary_metric

自动化机器学习将为模型选择优化的指标。 自动化机器学习收集的指标比它可以优化的指标要多。 有关如何计算指标的详细信息，请参阅 https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric。

可接受的值：准确度、AUC_weighted、norm_macro_recall、average_precision_score_weighted和precision_score_weighted默认值为准确性

enable_model_explainability
bool

是否在所有 AutoML 训练迭代结束时启用最佳 AutoML 模型解释。 默认值为 None。 有关详细信息，请参阅可解释性：自动化机器学习中的模型说明。

weight_column_name
str

样本权重列的名称。 自动化机器学习支持使用加权列作为输入，这会导致增大或减小数据中行的权重。 如果输入数据来自没有列名的 pandas.DataFrame，则可以使用以整数表示的列索引。

此参数适用于 training_data 和 validation_data 参数

validation_data
Input

要在试验中使用的验证数据。 应该包含训练特征和标签列（可以选择性地包含样本权重列）。

默认为 None

validation_data_size
float

未指定用户验证数据时，要保留用于验证的数据部分。 此值应介于 0.0 和 1.0 之间（不含）。

指定 validation_data 以提供验证数据，否则设置 n_cross_validations 或 validation_data_size 以从指定的训练数据中提取验证数据。 对于自定义交叉验证折叠，请使用 cv_split_column_names。

有关详细信息，请参阅在自动化机器学习中配置数据拆分和交叉验证。

默认为 None

n_cross_validations
Union[str, int]

未指定用户验证数据时要执行多少次交叉验证。

指定 validation_data 以提供验证数据，否则设置 n_cross_validations 或 validation_data_size 以从指定的训练数据中提取验证数据。 对于自定义交叉验证折叠，请使用 cv_split_column_names。

有关详细信息，请参阅在自动化机器学习中配置数据拆分和交叉验证。

默认为 None

cv_split_column_names
List[str]

包含自定义交叉验证拆分的列的名称列表。 每个 CV 拆分列代表一个 CV 拆分，其中每行标记为 1（用于训练）或 0（用于验证）。

默认为 None

test_data
Input

使用测试数据集或测试数据拆分的模型测试功能处于预览阶段，随时可能会更改。 要用于测试运行的测试数据，将在模型训练完成后自动启动该测试。 测试运行将使用最佳模型来获取预测结果，并将根据这些预测生成指标。

如果未指定此参数或 test_data_size 参数，则模型训练完成后将不会自动执行任何测试运行。 测试数据应包含功能和标签列。 如果指定了 test_data，则还必须指定 target_column_name 参数。

默认为 None

test_data_size
float

使用测试数据集或测试数据拆分的模型测试功能处于预览阶段，随时可能会更改。 为测试运行提供的测试数据的训练数据的一部分，在模型训练完成后将自动启动。 测试运行将使用最佳模型来获取预测结果，并将根据这些预测生成指标。

此值应介于 0.0 和 1.0 之间（不含）。 如果 test_data_size 同时指定为 validation_data_size，则在拆分验证数据之前，将从 training_data 拆分测试数据。 例如，如果 validation_data_size=0.1、test_data_size=0.1 和原始训练数据包含 1000 行，则测试数据将包含 100 行，验证数据将包含 90 行，训练数据将包含 810 行。

对于回归任务，使用随机采样。 对于分类任务，使用分层采样。 预测目前不支持使用训练/测试拆分指定测试数据集。

如果未指定此参数或 test_data 参数，则模型训练完成后将不会自动执行任何测试运行。

默认为 None

返回

可提交到 Azure ML 计算以供执行的作业对象。

返回类型

ClassificationJob

forecasting

用于创建预测作业的函数。

预测任务用于根据历史数据预测未来时间段的目标值。 使用训练数据训练各种模型。 基于主要指标的验证数据性能最佳的模型被选为最终模型。

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

参数

training_data
Input

要在试验中使用的训练数据。 应该包含训练特征和标签列（可以选择性地包含样本权重列）。

target_column_name
str

标签列的名称。 此参数适用于 training_data、 validation_data 和 test_data 参数

primary_metric

自动化机器学习将为模型选择优化的指标。 自动化机器学习收集的指标比它可以优化的指标要多。 有关如何计算指标的详细信息，请参阅 https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric。

可接受的值：r2_score、normalized_mean_absolute_error normalized_root_mean_squared_error默认值为normalized_root_mean_squared_error

enable_model_explainability
bool

是否在所有 AutoML 训练迭代结束时启用最佳 AutoML 模型解释。 默认值为 None。 有关详细信息，请参阅可解释性：自动化机器学习中的模型说明。

weight_column_name
str

样本权重列的名称。 自动化机器学习支持使用加权列作为输入，这会导致增大或减小数据中行的权重。 如果输入数据来自没有列名的 pandas.DataFrame，则可以使用以整数表示的列索引。

此参数适用于 training_data 和 validation_data 参数

validation_data
Input

要在试验中使用的验证数据。 应该包含训练特征和标签列（可以选择性地包含样本权重列）。

默认为 None

validation_data_size
float

未指定用户验证数据时，要保留用于验证的数据部分。 此值应介于 0.0 和 1.0 之间（不含）。

指定 validation_data 以提供验证数据，否则设置 n_cross_validations 或 validation_data_size 以从指定的训练数据中提取验证数据。 对于自定义交叉验证折叠，请使用 cv_split_column_names。

有关详细信息，请参阅在自动化机器学习中配置数据拆分和交叉验证。

默认为 None

n_cross_validations
Union[str, int]

未指定用户验证数据时要执行多少次交叉验证。

指定 validation_data 以提供验证数据，否则设置 n_cross_validations 或 validation_data_size 以从指定的训练数据中提取验证数据。 对于自定义交叉验证折叠，请使用 cv_split_column_names。

有关详细信息，请参阅在自动化机器学习中配置数据拆分和交叉验证。

默认为 None

cv_split_column_names
List[str]

包含自定义交叉验证拆分的列的名称列表。 每个 CV 拆分列代表一个 CV 拆分，其中每行标记为 1（用于训练）或 0（用于验证）。

默认为 None

test_data
Input

使用测试数据集或测试数据拆分的模型测试功能处于预览阶段，随时可能会更改。 要用于测试运行的测试数据，将在模型训练完成后自动启动该测试。 测试运行将使用最佳模型来获取预测结果，并将根据这些预测生成指标。

如果未指定此参数或 test_data_size 参数，则模型训练完成后将不会自动执行任何测试运行。 测试数据应包含功能和标签列。 如果指定了 test_data，则还必须指定 target_column_name 参数。

默认为 None

test_data_size
float

使用测试数据集或测试数据拆分的模型测试功能处于预览阶段，随时可能会更改。 为测试运行提供的测试数据的训练数据的一部分，在模型训练完成后将自动启动。 测试运行将使用最佳模型来获取预测结果，并将根据这些预测生成指标。

此值应介于 0.0 和 1.0 之间（不含）。 如果 test_data_size 同时指定为 validation_data_size，则在拆分验证数据之前，将从 training_data 拆分测试数据。 例如，如果 validation_data_size=0.1、test_data_size=0.1 和原始训练数据包含 1000 行，则测试数据将包含 100 行，验证数据将包含 90 行，训练数据将包含 810 行。

对于回归任务，使用随机采样。 对于分类任务，使用分层采样。 预测目前不支持使用训练/测试拆分指定测试数据集。

如果未指定此参数或 test_data 参数，则模型训练完成后将不会自动执行任何测试运行。

默认为 None

forecasting_settings
ForecastingSettings

预测任务的设置

返回

可提交到 Azure ML 计算以供执行的作业对象。

返回类型

ForecastingJob

image_classification

为 AutoML 映像多类分类作业创建对象。

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

参数

training_data
Input

要在试验中使用的训练数据。

target_column_name
str

标签列的名称。 此参数适用于 training_data 和 validation_data 参数。

primary_metric

自动化机器学习将为模型选择优化的指标。 自动化机器学习收集的指标比它可以优化的指标要多。 有关如何计算指标的详细信息，请参阅 https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric。

可接受的值：准确度、AUC_weighted、norm_macro_recall、average_precision_score_weighted和precision_score_weighted默认值为准确性。

validation_data
Input

要在试验中使用的验证数据。

validation_data_size
float

未指定用户验证数据时，要保留用于验证的数据部分。 此值应介于 0.0 和 1.0 之间（不含）。

指定 validation_data 以提供验证数据，否则设置为 validation_data_size 从指定的训练数据中提取验证数据。

默认为 .2

kwargs
dict

其他配置参数的字典。

返回

可以提交到 Azure ML 计算以供执行的图像分类作业对象。

返回类型

ImageClassificationJob

image_classification_multilabel

为 AutoML 映像多标签分类作业创建对象。

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

参数

training_data
Input

要在试验中使用的训练数据。

target_column_name
str

标签列的名称。 此参数适用于 training_data 和 validation_data 参数。

primary_metric

自动化机器学习将为模型选择优化的指标。 自动化机器学习收集的指标比它可以优化的指标要多。 有关如何计算指标的详细信息，请参阅 https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric。

可接受的值：accuracy、AUC_weighted、norm_macro_recall、average_precision_score_weighted、precision_score_weighted 和 Iou Defaults to Iou。

validation_data
Input

要在试验中使用的验证数据。

validation_data_size
float

未指定用户验证数据时，要保留用于验证的数据部分。 此值应介于 0.0 和 1.0 之间（不含）。

指定 validation_data 以提供验证数据，否则设置为 validation_data_size 从指定的训练数据中提取验证数据。

默认为 .2

kwargs
dict

其他配置参数的字典。

返回

图像可提交到 Azure ML 计算执行的多标签分类作业对象。

返回类型

ImageClassificationMultilabelJob

image_instance_segmentation

为 AutoML 映像实例分段作业创建对象。

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

参数

training_data
Input

要在试验中使用的训练数据。

target_column_name
str

标签列的名称。 此参数适用于 training_data 和 validation_data 参数。

primary_metric

自动化机器学习将为模型选择优化的指标。 自动化机器学习收集的指标比它可以优化的指标要多。 有关如何计算指标的详细信息，请参阅 https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric。

可接受的值：MeanAveragePrecision 默认值为 MeanAveragePrecision。

validation_data
Input

要在试验中使用的验证数据。

validation_data_size
float

未指定用户验证数据时，要保留用于验证的数据部分。 此值应介于 0.0 和 1.0 之间（不含）。

指定 validation_data 以提供验证数据，否则设置为 validation_data_size 从指定的训练数据中提取验证数据。

默认为 .2

kwargs
dict

其他配置参数的字典。

返回

映像实例分段作业

返回类型

ImageInstanceSegmentationJob

image_object_detection

为 AutoML 图像对象检测作业创建对象。

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

参数

training_data
Input

要在试验中使用的训练数据。

target_column_name
str

标签列的名称。 此参数适用于 training_data 和 validation_data 参数。

primary_metric

自动化机器学习将为模型选择优化的指标。 自动化机器学习收集的指标比它可以优化的指标要多。 有关如何计算指标的详细信息，请参阅 https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric。

可接受的值：MeanAveragePrecision 默认值为 MeanAveragePrecision。

validation_data
Input

要在试验中使用的验证数据。

validation_data_size
float

未指定用户验证数据时，要保留用于验证的数据部分。 此值应介于 0.0 和 1.0 之间（不含）。

指定 validation_data 以提供验证数据，否则设置为 validation_data_size 从指定的训练数据中提取验证数据。

默认为 .2

kwargs
dict

其他配置参数的字典。

返回

可以提交到 Azure ML 计算以供执行的图像对象检测作业对象。

返回类型

ImageObjectDetectionJob

regression

用于创建回归作业的函数。

回归作业用于训练模型，以预测数据集中目标变量的连续值。 使用训练数据训练各种模型。 基于主要指标的验证数据性能最佳的模型被选为最终模型。

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

参数

training_data
Input

要在试验中使用的训练数据。 应该包含训练特征和标签列（可以选择性地包含样本权重列）。

target_column_name
str

标签列的名称。 此参数适用于 training_data、 validation_data 和 test_data 参数

primary_metric

自动化机器学习将为模型选择优化的指标。 自动化机器学习收集的指标比它可以优化的指标要多。 有关如何计算指标的详细信息，请参阅 https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric。

可接受的值：spearman_correlation、r2_score、normalized_mean_absolute_error、normalized_root_mean_squared_error。 默认为 normalized_root_mean_squared_error

enable_model_explainability
bool

是否在所有 AutoML 训练迭代结束时启用最佳 AutoML 模型解释。 默认值为 None。 有关详细信息，请参阅可解释性：自动化机器学习中的模型说明。

weight_column_name
str

样本权重列的名称。 自动化机器学习支持使用加权列作为输入，这会导致增大或减小数据中行的权重。 如果输入数据来自没有列名的 pandas.DataFrame，则可以使用以整数表示的列索引。

此参数适用于 training_data 和 validation_data 参数

validation_data
Input

要在试验中使用的验证数据。 应该包含训练特征和标签列（可以选择性地包含样本权重列）。

默认为 None

validation_data_size
float

未指定用户验证数据时，要保留用于验证的数据部分。 此值应介于 0.0 和 1.0 之间（不含）。

指定 validation_data 以提供验证数据，否则设置 n_cross_validations 或 validation_data_size 以从指定的训练数据中提取验证数据。 对于自定义交叉验证折叠，请使用 cv_split_column_names。

有关详细信息，请参阅在自动化机器学习中配置数据拆分和交叉验证。

默认为 None

n_cross_validations
Union[str, int]

未指定用户验证数据时要执行多少次交叉验证。

指定 validation_data 以提供验证数据，否则设置 n_cross_validations 或 validation_data_size 以从指定的训练数据中提取验证数据。 对于自定义交叉验证折叠，请使用 cv_split_column_names。

有关详细信息，请参阅在自动化机器学习中配置数据拆分和交叉验证。

默认为 None

cv_split_column_names
List[str]

包含自定义交叉验证拆分的列的名称列表。 每个 CV 拆分列代表一个 CV 拆分，其中每行标记为 1（用于训练）或 0（用于验证）。

默认为 None

test_data
Input

使用测试数据集或测试数据拆分的模型测试功能处于预览阶段，随时可能会更改。 要用于测试运行的测试数据，将在模型训练完成后自动启动该测试。 测试运行将使用最佳模型来获取预测结果，并将根据这些预测生成指标。

如果未指定此参数或 test_data_size 参数，则模型训练完成后将不会自动执行任何测试运行。 测试数据应包含功能和标签列。 如果指定了 test_data，则还必须指定 target_column_name 参数。

默认为 None

test_data_size
float

使用测试数据集或测试数据拆分的模型测试功能处于预览阶段，随时可能会更改。 为测试运行提供的测试数据的训练数据的一部分，在模型训练完成后将自动启动。 测试运行将使用最佳模型来获取预测结果，并将根据这些预测生成指标。

此值应介于 0.0 和 1.0 之间（不含）。 如果 test_data_size 同时指定为 validation_data_size，则在拆分验证数据之前，将从 training_data 拆分测试数据。 例如，如果 validation_data_size=0.1、test_data_size=0.1 和原始训练数据包含 1000 行，则测试数据将包含 100 行，验证数据将包含 90 行，训练数据将包含 810 行。

对于回归任务，使用随机采样。 对于分类任务，使用分层采样。 预测目前不支持使用训练/测试拆分指定测试数据集。

如果未指定此参数或 test_data 参数，则模型训练完成后将不会自动执行任何测试运行。

默认为 None

返回

可提交到 Azure ML 计算以供执行的作业对象。

返回类型

RegressionJob

text_classification

用于创建 TextClassificationJob 的函数。

文本分类作业用于训练可以预测文本数据的类/类别的模型。 输入训练数据应包含一个目标列，该列将文本分类为正好一个类。

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

参数

training_data
Input

要在试验中使用的训练数据。 它应同时包含训练功能和目标列。

target_column_name
str

目标列的名称。

validation_data
Input

要在试验中使用的验证数据。 它应同时包含训练功能和目标列。

primary_metric
Union[str, ClassificationPrimaryMetrics]

任务的主要指标。 可接受的值：准确性、AUC_weighted precision_score_weighted

log_verbosity
str

日志详细级别。

kwargs
dict

其他配置参数的字典。

返回

TextClassificationJob 对象。

返回类型

TextClassificationJob

text_classification_multilabel

用于创建 TextClassificationMultilabelJob 的函数。

文本分类多标签作业用于训练可预测文本数据的类/类别的模型。 输入训练数据应包含一个目标列，该列将文本分类为类 (es) 。 有关多标签数据格式的详细信息，请参阅： 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

参数

training_data
Input

要在试验中使用的训练数据。 它应同时包含训练功能和目标列。

target_column_name
str

目标列的名称。

validation_data
Input

要在试验中使用的验证数据。 它应同时包含训练功能和目标列。

primary_metric
str

任务的主要指标。 可接受的值：准确性

log_verbosity
str

日志详细级别。

kwargs
dict

其他配置参数的字典。

返回

TextClassificationMultilabelJob 对象。

返回类型

TextClassificationMultilabelJob

text_ner

用于创建 TextNerJob 的函数。

名为实体识别作业的文本用于训练可以预测文本中命名实体的模型。 输入训练数据应该是 CoNLL 格式的文本文件。 有关文本 NER 数据格式的详细信息，请参阅： 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

参数

training_data
Input

要在试验中使用的训练数据。 它应同时包含训练功能和目标列。

validation_data
Input

要在试验中使用的验证数据。 它应同时包含训练功能和目标列。

primary_metric
str

任务的主要指标。 可接受的值：准确性

log_verbosity
str

日志详细级别。

kwargs
dict

其他配置参数的字典。

返回

TextNerJob 对象。

返回类型

TextNerJob