Definieren von benutzerdefinierten R-Modulen für Machine Learning Studio (Classic)

Artikel
11/29/2017

GILT FÜR:Machine Learning Studio (Classic) Gilt nicht für Azure Machine Learning

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

In diesem Thema erfahren Sie, wie ein benutzerdefiniertes R-Studio (klassisch) erstellt und bereitgestellt wird. Es wird beschrieben, was ein benutzerdefiniertes R-Modul ist und welche Dateien verwendet werden, um es zu definieren. Es veranschaulicht, wie die Dateien erstellt werden, die ein Modul definieren, und wie dieses Modul zur Bereitstellung in einem Machine Learning-Arbeitsbereich registriert wird. Die in der Definition des benutzerdefinierten Moduls verwendeten Elemente und Attribute werden dann ausführlicher beschrieben. Ebenfalls wird erläutert, wie zusätzliche Funktionen und Dateien sowie mehrere Ausgaben zu verwenden sind.

Ein benutzerdefiniertes Modul ist ein vom Benutzer bestimmtes Modul, das in Ihren Arbeitsbereich hochgeladen und als Teil eines Machine Learning Studio-Experiments (klassisch) ausgeführt werden kann. Ein benutzerdefiniertes R-Modul ist ein benutzerdefiniertes Modul, das eine vom Benutzer erstellte R-Funktion ausführt. R ist eine Programmiersprache für statistische Berechnungen und Grafiken, die häufig von Statistikern und Datenanalysten für die Implementierung von Algorithmen verwendet wird. Derzeit wird in benutzerdefinierten Modulen ausschließlich R unterstützt, für zukünftige Versionen sind jedoch bereits weitere Sprachen geplant.

Benutzerdefinierte Module haben in Machine Learning Studio (klassisch) einen erstrangigen Status und können somit genau wie andere Module verwendet werden. Sie können mit anderen Modulen ausgeführt sowie in veröffentlichte Experimente oder in Visualisierungen eingeschlossen werden. Sie haben die Kontrolle über den vom Modul implementierten Algorithmus, die verwendeten Eingangs- und Ausgangsports, die Parameter für die Modellierung und andere Laufzeitmerkmale. Ein Experiment, das benutzerdefinierte Module enthält, kann auch im Azure KI-Katalog veröffentlicht werden, sodass es einfach freigegeben werden kann.

Dateien in einem benutzerdefinierten R-Modul

Ein benutzerdefiniertes R-Modul wird durch eine ZIP-Datei definiert, die mindestens zwei Dateien enthält:

Eine Quelldatei , die die vom Modul offengelegte R-Funktion implementiert
Eine XML-Definitionsdatei , die die benutzerdefinierte Modul-Schnittstelle beschreibt

Weitere Zusatzdateien können auch in die ZIP-Datei eingeschlossen werden, die Funktionen bereitstellt, auf die vom benutzerdefinierten Modul zugegriffen werden kann. Diese Option wird im Teil Argumente des Referenzabschnitts Elemente in der XML-Definitionsdatei im Anschluss an das Schnellstartbeispiel behandelt.

Schnellstartbeispiel: Definieren, Packen und Registrieren eines benutzerdefinierten R-Moduls

In diesem Beispiel wird veranschaulicht, wie die erforderlichen Dateien für ein benutzerdefiniertes R-Modul erstellt und in einer ZIP-Datei komprimiert werden und dann das Modul im Machine Learning-Arbeitsbereich registriert wird. Das Beispiel-ZIP-Paket und die Beispiel-Dateien können hierheruntergeladen werden.

Die Quelldatei

Stellen Sie sich z.B. ein Modul mit dem Namen Custom Add Rows vor, das die Standardimplementierung des Moduls Add Rows ändert, das zum Verketten von Zeilen (Vorkommen) aus zwei Datasets (Datenrahmen) verwendet wird. Das Standardmodul Add Rows hängt die Zeilen des zweiten Eingabedatasets mithilfe des rbind-Algorithmus an das erste Eingabedataset an. Die benutzerdefinierte CustomAddRows -Funktion akzeptiert ebenfalls zwei Datasets, aber auch einen booleschen Swap-Parameter als zusätzliche Eingabe. Wenn der Swap-Parameter FALSEist, wird das gleiche Dataset zurückgegeben wie bei der Standard-Implementierung. Ist der Swap-Parameter hingegen TRUE, werden stattdessen Zeilen des ersten Eingabedatasets an das zweite Dataset angehängt. Die Datei „CustomAddRows.R“, welche die Implementierung der CustomAddRows -R-Funktion enthält, die vom Modul Custom Add Rows verfügbar gemacht wird, enthält den folgenden R-Code:

CustomAddRows <- function(dataset1, dataset2, swap=FALSE) 
{
    if (swap)
    {
        return (rbind(dataset2, dataset1));
    }
    else
    {
        return (rbind(dataset1, dataset2));
    } 
}

Die XML-Definitionsdatei

Um diese CustomAddRows-Funktion als Machine Learning Studio-Modul (klassisch) offenzulegen, muss eine XML-Datei erstellt werden, um anzugeben, wie das Modul Custom Add Rows aussehen und sich verhalten soll.

<!-- Defined a module using an R Script -->
<Module name="Custom Add Rows">
    <Owner>Microsoft Corporation</Owner>
    <Description>Appends one dataset to another. Dataset 2 is concatenated to Dataset 1 when Swap is FALSE, and vice versa when Swap is TRUE.</Description>

<!-- Specify the base language, script file and R function to use for this module. -->        
    <Language name="R" 
        sourceFile="CustomAddRows.R" 
        entryPoint="CustomAddRows" />  

<!-- Define module input and output ports -->
<!-- Note: The values of the id attributes in the Input and Arg elements must match the parameter names in the R Function CustomAddRows defined in CustomAddRows.R. -->
    <Ports>
        <Input id="dataset1" name="Dataset 1" type="DataTable">
            <Description>First input dataset</Description>
        </Input>
        <Input id="dataset2" name="Dataset 2" type="DataTable">
            <Description>Second input dataset</Description>
        </Input>
        <Output id="dataset" name="Dataset" type="DataTable">
            <Description>The combined dataset</Description>
        </Output>
    </Ports>

<!-- Define module parameters -->
    <Arguments>
        <Arg id="swap" name="Swap" type="bool" >
            <Description>Swap input datasets.</Description>
        </Arg>
    </Arguments>
</Module>

Wichtig: Der Wert der id-Attribute der Input- und Arg-Elemente in der XML-Datei muss EXAKT mit den Funktionsparameternamen des R-Codes in der Datei „CustomAddRows.R“ übereinstimmen (im Beispiel: dataset1, dataset2 und swap). Entsprechend muss der Wert des entryPoint-Attributs des Language-Elements EXAKT mit dem Namen der Funktion im R-Skript übereinstimmen (im Beispiel: CustomAddRows).

Das id-Attribut für das Output-Element muss hingegen keiner Variablen im R-Skript entsprechen. Sind mehrere Ausgaben erforderlich, geben Sie mithilfe der R-Funktion einfach eine Liste mit Ergebnissen zurück, und achten Sie darauf, dass die Ergebnisse in der gleichen Reihenfolge angegeben sind wie die in der XML-Datei deklarierten Output -Elemente.

Packen und Registrieren des Moduls

Speichern Sie diese beiden Dateien als CustomAddRows.R und CustomAddRows.xml, und fassen Sie die beiden Dateien in einer ZIP-Datei namens CustomAddRows.zip zusammen.

Navigieren Sie in Machine Learning Studio (klassisch) zum Machine Learning-Arbeitsbereich, klicken Sie im unteren Bereich auf die Schaltfläche +NEU, und wählen Sie MODUL -> FROM ZIP PACKAGE (AUS ZIP-PAKET) aus, um das neue Modul Custom Add Rows hochzuladen. Dadurch werden die Dateien in Ihrem Arbeitsbereich registriert.

ZIP-Datei hochladen

Auf das Modul Custom Add Rows kann jetzt von Machine Learning-Experimenten aus zugegriffen werden.

Elemente in der XML-Definitionsdatei

Modul-Elemente

Das Modul -Element wird verwendet, um ein benutzerdefiniertes Modul in der XML-Datei zu definieren. Mehrere Module können in einer XML-Datei definiert werden, in der mehrere Modul -Elemente verwendet werden. Jedes Modul in Ihrem Arbeitsbereich muss einen eindeutigen Namen haben. Wenn Sie ein benutzerdefiniertes Modul mit dem Namen eines bereits vorhandenen benutzerdefinierten Moduls registrieren, wird das vorhandene Modul durch das neue ersetzt. Benutzerdefinierte Module können bei der Registrierung jedoch den gleichen Namen wie ein bereits vorhandenes (klassisches) Machine Learning Studio-Modul haben. In diesem Fall werden sie in der Kategorie Benutzerdefiniert der Modulpalette angezeigt.

<Module name="Custom Add Rows" isDeterministic="false"> 
    <Owner>Microsoft Corporation</Owner>
    <Description>Appends one dataset to another...</Description>/>

Innerhalb des Module -Elements können optional zwei zusätzliche Elemente angegeben werden:

Ein in das Modul eingebettetes Owner -Element
Ein Description -Element mit Text, der angezeigt wird, wenn der Benutzer die Direkthilfe für das Modul aufruft oder auf der Machine Learning-Benutzeroberfläche auf das Modul zeigt.

Regeln für Zeichenbeschränkungen in den Module-Elementen:

Der Wert des Namen-Attributs im Modul-Element darf maximal 64 Zeichen lang sein.
Der Inhalt des Beschreibungs -Elements darf 128 Zeichen nicht überschreiten.
Der Inhalt des Besitzer -Elements darf 32 Zeichen nicht überschreiten.

Die Ergebnisse eines Moduls können deterministisch oder nicht deterministisch sein.** Standardmäßig werden alle Module als deterministisch betrachtet. Das bedeutet: Bei einer unveränderten Gruppe von Eingabeparametern und Daten sollte das Modul bei jeder Ausführung die gleichen Ergebnisse zurückgeben. Aufgrund dieses Verhaltens führt Machine Learning Studio (klassisch) als deterministisch gekennzeichnete Module nur dann erneut aus, wenn sich ein Parameter oder die Eingabedaten geändert haben. Die Rückgabe der zwischengespeicherten Ergebnisse ermöglicht zudem eine schnellere Ausführung von Experimenten.

Manche Funktionen sind nicht deterministisch. Hierzu zählen etwa „RAND“ oder eine Funktion, die das aktuelle Datum oder die aktuelle Uhrzeit zurückgibt. Wenn Ihr Modul eine nicht deterministische Funktion verwendet, können Sie das optionale isDeterministic-Attribut auf FALSE festlegen, um das Modul als nicht deterministisch zu kennzeichnen. Dadurch wird das Modul bei jeder Ausführung des Experiments erneut ausgeführt, auch wenn sich die Moduleingabe und die Parameter nicht geändert haben.

Definition des "Language"-Elements

Das Sprachen -Element in Ihrer XML-Definitionsdatei wird verwendet, um die Sprache des benutzerdefinierten Moduls anzugeben. R ist derzeit die einzige unterstützte Sprache. Der Wert des SourceFile -Attributs muss der Name der R-Datei sein, die die aufzurufende Funktion enthält, wenn das Modul ausgeführt wird. Diese Datei muss im Zip-Paket sein. Der Wert des EntryPoint -Attributs ist der Name der aufgerufenen Funktion und muss mit einer in der Quelldatei definierten gültigen Funktion übereinstimmen.

<Language name="R" sourceFile="CustomAddRows.R" entryPoint="CustomAddRows" />

Ports

Die Eingabe- und Ausgabeports für ein benutzerdefiniertes Modul sind in den untergeordneten Elementen des Abschnitts Ports der XML-Definitionsdatei angegeben. Die Reihenfolge dieser Elemente bestimmt das Layout (UX) für die Benutzer. Das erste untergeordnete Input- oder Output-Element, das im Ports-Element der XML-Datei aufgelistet wird, wird zum äußerst linken Eingabeport der Machine Learning UX. Jeder Eingabe- und Ausgabeport kann optional über ein untergeordnetes Description -Element mit Text verfügen, der angezeigt wird, wenn Sie auf der Machine Learning-Benutzeroberfläche den Mauszeiger auf den Port bewegen.

Port-Regeln:

Maximale Anzahl von Eingabe- und Ausgabe-Ports beträgt jeweils 8.

Input-Elemente

Über Eingabeports können Sie Daten an Ihre R-Funktion und Ihren Arbeitsbereich übergeben. Die unterstützten Datentypen für Eingabe-Ports lauten folgendermaßen:

DataTable: Dieser Typ wird als data.frame an Ihre R-Funktion übergeben. Tatsächlich werden alle Typen (z.B. CSV-Dateien oder ARFF-Dateien), die von Machine Learning unterstützt werden und mit DataTable kompatibel sind, automatisch in eine data.frame konvertiert.

<Input id="dataset1" name="Input 1" type="DataTable" isOptional="false">
    <Description>Input Dataset 1</Description>
</Input>

DasID-Attribut, das jedem DataTable Eingangsport zugeordnet ist, muss einen eindeutigen Wert haben, der mit seinem entsprechenden benannten Parameter in der R-Funktion übereinstimmen muss. Für optionale DataTable-Ports, die nicht als Eingabe in einem Experiment übergeben werden, wird der Wert NULL an die R-Funktion übergeben, und optionale ZIP-Ports werden ignoriert, wenn die Eingabe nicht verbunden ist. Das isOptional-Attribut ist für die Typen DataTable und Zip optional und standardmäßig false.

Zip: Benutzerdefinierte Module können ZIP-Dateien als Eingabe akzeptieren. Diese Eingabe wird im R-Arbeitsverzeichnis Ihrer Funktion entpackt.

<Input id="zippedData" name="Zip Input" type="Zip" IsOptional="false">
    <Description>Zip files to be extracted to the R working directory.</Description>
</Input>

Bei benutzerdefinierten R-Modulen muss die ID eines ZIP-Ports keinen Parametern der R-Funktion entsprechen. Der Grund: Die ZIP-Datei wird automatisch in das R-Arbeitsverzeichnis extrahiert.

Eingabe-Regeln:

Der Wert des ID-Attributs des Eingabe-Elements muss ein gültiger R-Variablenname sein.
Der Wert des ID-Attributs des Eingabe-Elements darf 64 Zeichen nicht überschreiten.
Der Wert des Namen-Attributs des Eingabe-Elements darf nicht länger als 64 Zeichen sein.
Der Inhalt des Beschreibungs -Elements darf 128 Zeichen nicht überschreiten.
Der Wert des Typen-Attributs des Eingabe-Elements muss Zip oder DataTable sein.
Der Wert des isOptional-Attributs des Eingabe-Elements ist nicht erforderlich (und standardmäßig false, wenn nicht angegeben); aber wenn er angegeben wird, muss er true oder false sein.

Ausgabe-Elemente

Standardausgabeports: Ausgabeports sind den Rückgabewerten Ihrer R-Funktion zugeordnet, die anschließend von nachfolgenden Modulen verwendet werden können. DataTable ist zurzeit der einzige unterstützte Standardtyp für Ausgabeports. (Unterstützung für Learners und Transforms ist in Kürze zu erwarten.) Eine DataTable-Ausgabe wird wie folgt definiert:

<Output id="dataset" name="Dataset" type="DataTable">
    <Description>Combined dataset</Description>
</Output>

Für Ausgaben in benutzerdefinierten R-Modulen muss der Wert des ID -Attributs mit nichts im R-Skript übereinstimmen, jedoch eindeutig sein. Für ein einzelne Modulausgabe muss der Rückgabewert der R-Funktion ein data.framesein. Um mehr als ein Objekt eines unterstützten Datentyps auszugeben, müssen die entsprechende Ausgangs-Ports in der XML-Definitionsdatei angegeben und die Objekte als Liste zurückgegeben werden. Die Ausgangsobjekte werden den Ausgangsports von links nach rechts zugewiesen und entsprechen der Reihenfolge, in der die Objekte in der zurückgegebenen Liste angegeben sind.

Wenn Sie also beispielsweise das Modul Custom Add Rows ändern möchten, um die beiden ursprünglichen Datasets dataset1 und dataset2 zusammen mit dem neu verknüpften Dataset namens dataset auszugeben (von links nach rechts als dataset, dataset1, dataset2), definieren Sie die Ausgabeports in der Datei „CustomAddRows.xml“ wie folgt:

<Ports> 
    <Output id="dataset" name="Dataset Out" type="DataTable"> 
        <Description>New Dataset</Description> 
    </Output> 
    <Output id="dataset1_out" name="Dataset 1 Out" type="DataTable"> 
        <Description>First Dataset</Description> 
    </Output> 
    <Output id="dataset2_out" name="Dataset 2 Out" type="DataTable"> 
        <Description>Second Dataset</Description> 
    </Output> 
    <Input id="dataset1" name="Dataset 1" type="DataTable"> 
        <Description>First Input Table</Description>
    </Input> 
    <Input id="dataset2" name="Dataset 2" type="DataTable"> 
        <Description>Second Input Table</Description> 
    </Input> 
</Ports>

Geben Sie dann die Liste der Objekte in einer Liste in der richtigen Reihenfolge in „CustomAddRows.R“ zurück:

CustomAddRows <- function(dataset1, dataset2, swap=FALSE) { 
    if (swap) { dataset <- rbind(dataset2, dataset1)) } 
    else { dataset <- rbind(dataset1, dataset2)) 
    } 
    return (list(dataset, dataset1, dataset2)) 
}

Visualisierungsausgabe: Sie können auch einen Ausgabeport vom Typ Visualizationangeben, der die Ausgabe des R-Grafikgeräts und die Konsolenausgabe anzeigt. Dieser Port ist nicht Teil der R-Funktionsausgabe und hat keinerlei Auswirkungen auf die Reihenfolge der anderen Ausgabeporttypen. Um den benutzerdefinierten Modulen einen Visualisierungsport hinzuzufügen, fügen Sie ein Ausgabe-Element mit einem Visualisierungswert für sein Typen-Attribut hinzu:

<Output id="deviceOutput" name="View Port" type="Visualization">
    <Description>View the R console graphics device output.</Description>
</Output>

Ausgabe-Regeln:

Der Wert des ID-Attributs des Ausgabe-Elements muss ein gültiger R-Variablenname sein.
Der Wert des ID-Attributs des Ausgabe-Elements darf 32 Zeichen nicht überschreiten.
Der Wert des Namen-Attributs des Ausgabe-Elements darf nicht länger als 64 Zeichen sein.
Der Wert des Typen-Attributs des Ausgabe-Elements muss Visualisierung sein.

Argumente

Zusätzliche Daten können an die R-Funktion über die Modulparameter übergeben werden, die im Argumente -Element definiert sind. Diese Parameter werden im äußerst rechten Eigenschaftenbereich der Machine Learning-Benutzeroberfläche angezeigt, wenn das Modul ausgewählt ist. Argumente können jeder der unterstützten Typen sein oder Sie können bei Bedarf eine benutzerdefinierte Enumeration erstellen. Ähnlich wie die Ports-Elemente können Argumente-Elemente ein optionales Beschreibung-Element besitzen, das den Text angibt, der angezeigt wird, wenn Sie mit der Maus auf den Namen des Parameters zeigen. Optionale Eigenschaften für ein Modul (beispielsweise „defaultValue“, „minValue“ und „maxValue“) können jedem Argument als Attribute eines Properties -Elements hinzugefügt werden. Welche Eigenschaften für die Properties -Elemente gültig sind, hängt vom jeweiligen Argumenttyp ab und wird mit den unterstützten Argumenttypen im nächsten Abschnitt beschrieben. Für Argumente, deren isOptional-Eigenschaft auf „true“ festgelegt ist, muss der Benutzer keinen Wert eingeben. Wenn für das Argument kein Wert angegeben ist, wird das Argument nicht an die Einstiegspunktfunktion übergeben. Optionale Argumente der Einstiegspunktfunktion müssen explizit von der Funktion behandelt werden. Beispielsweise muss einem optionalen Argument in der Definition der Einstiegspunktfunktion der Standardwert NULL zugewiesen werden. Ein optionales Argument erzwingt nur dann die anderen Argumenteinschränkungen, d. h. Minimal- oder Maximalwerte, wenn ein Wert vom Benutzer bereitgestellt wird. Wie bei Eingaben und Ausgaben ist es wichtig, dass jedem Parameter eindeutige ID-Werte zugeordnet sind. In unserem Schnellstartbeispiel war der zugeordnete ID-Parameter swap.

Arg-Element

Ein Modul-Parameter wird mithilfe des untergeordnetenArg-Elements des Abschnitts Argumente der XML-Definitionsdatei definiert. Wie bei den untergeordneten Elementen im Abschnitt Ports definiert die Reihenfolge der Parameter im Abschnitt Argumente das Layout in der UX. Die Parameter werden von oben nach unten in der Benutzeroberfläche in der gleichen Reihenfolge, in der sie in der XML-Datei definiert sind, angezeigt. Im Anschluss werden die Typen aufgeführt, die von Machine Learning für Parameter unterstützt werden.

int – ein Parameter des Typs Ganzzahl (32 Bit).

<Arg id="intValue1" name="Int Param" type="int">
    <Properties min="0" max="100" default="0" />
    <Description>Integer Parameter</Description>
</Arg>

Optionale Eigenschaften: min, max, Standard und isOptional

double – ein Parameter des Typs "double".

<Arg id="doubleValue1" name="Double Param" type="double">
    <Properties min="0.000" max="0.999" default="0.3" />
    <Description>Double Parameter</Description>
</Arg>

Optionale Eigenschaften: min, max, Standard und isOptional

bool – ein boolescher Parameter, der durch ein Kontrollkästchen in der UX dargestellt wird.

<Arg id="boolValue1" name="Boolean Param" type="bool">
    <Properties default="true" />
    <Description>Boolean Parameter</Description>
</Arg>

Optionale Eigenschaften: Standard -false, wenn nicht festgelegt

string: eine Standardzeichenfolge.

<Arg id="stringValue1" name="My string Param" type="string">
    <Properties isOptional="true" />
    <Description>String Parameter 1</Description>
</Arg>

Optionale Eigenschaften: Standard und isOptional

ColumnPicker: ein Spaltenauswahl-Parameter. Dieser Typ wird in der UX als Spaltenauswahl gerendert. Mit dem Element Property wird hier die ID des Ports angegeben, bei dem Spalten ausgewählt werden, wobei der Zielporttyp DataTable lauten muss. Das Ergebnis der Spaltenauswahl wird als Zeichenfolgenliste mit den Namen der ausgewählten Spalten an die R-Funktion übergeben.

<Arg id="colset" name="Column set" type="ColumnPicker">      
    <Properties portId="datasetIn1" allowedTypes="Numeric" default="NumericAll"/>
    <Description>Column set</Description>
</Arg>

Erforderliche Eigenschaften: portId: entspricht der ID eines Eingabeelements des Typs DataTable.
Optionale Eigenschaften:
- allowedTypes : Dient zum Filtern der zur Auswahl stehenden Spaltentypen. Gültige Werte:
  - Numerisch
  - Boolescher Wert
  - Kategorisch
  - String
  - Bezeichnung
  - Funktion
  - Ergebnis
  - All
- Standard - gültige Standardauswahl für die Spaltenauswahl umfassen:
  - Keine
  - NumericFeature
  - NumericLabel
  - NumericScore
  - NumericAll
  - BooleanFeature
  - BooleanLabel
  - BooleanScore
  - BooleanAll
  - CategoricalFeature
  - CategoricalLabel
  - CategoricalScore
  - CategoricalAll
  - StringFeature
  - StringLabel
  - StringScore
  - StringAll
  - AllLabel
  - AllFeature
  - AllScore
  - All

DropDown: Eine vom Benutzer angegebene aufgezählte (Dropdown-)Liste. Die Dropdownelemente werden innerhalb des Eigenschaften-Elements mithilfe eines Item-Elements angegeben. Die ID für die einzelnen Item-Elemente muss eindeutig und eine gültige R-Variable sein. Der Wert von name eines Item-Elements fungiert sowohl als angezeigter Text als auch als Wert, der an die R-Funktion übergeben wird.

<Arg id="color" name="Color" type="DropDown">
    <Properties default="red">
        <Item id="red" name="Red Value"/>
        <Item id="green" name="Green Value"/>
        <Item id="blue" name="Blue Value"/>
    </Properties>
    <Description>Select a color.</Description>
</Arg>

Optionale Eigenschaften:
- Standard: Der Wert für die Standardeigenschaft muss mit dem ID-Wert eines der Item-Elemente übereinstimmen.

Zusätzliche Dateien

Jede Datei in der ZIP-Datei des benutzerdefinierten Moduls ist während der Ausführungszeit verfügbar. Gegebenenfalls vorhandene Verzeichnisstrukturen bleiben erhalten. Das bedeutet, dass die lokale Dateierfassung auf die gleiche Weise funktioniert wie bei der Ausführung von Machine Learning Studio (klassisch).

Hinweis

Beachten Sie, dass alle Dateien in das Verzeichnis „src“ extrahiert werden und daher alle Pfade über das Präfix „src/“ verfügen müssen.

Angenommen Sie möchten alle Zeilen mit NAs und alle doppelten Zeilen in einem DataSet entfernen, bevor Sie es an CustomAddRows ausgeben, und bereits eine R-Funktion geschrieben haben, die Folgendes in einer Datei „RemoveDupNARows.R“ ausführt:

RemoveDupNARows <- function(dataFrame) {
    #Remove Duplicate Rows:
    dataFrame <- unique(dataFrame)
    #Remove Rows with NAs:
    finalDataFrame <- dataFrame[complete.cases(dataFrame),]
    return(finalDataFrame)
}

Sie können die zusätzliche Datei "RemoveDupNARows.R" in der "CustomAddRows"-Funktion bereitstellen:

CustomAddRows <- function(dataset1, dataset2, swap=FALSE) {
    source("src/RemoveDupNARows.R")
        if (swap) { 
            dataset <- rbind(dataset2, dataset1))
        } else { 
            dataset <- rbind(dataset1, dataset2)) 
        } 
    dataset <- removeDupNARows(dataset)
    return (dataset)
}

Laden Sie anschließend eine ZIP-Datei mit „CustomAddRows.R“, „CustomAddRows.xml“ und „RemoveDupNARows.R“ als benutzerdefiniertes R-Modul hoch.

Ausführungsumgebung

Die Ausführungsumgebung für das R-Skript verwendet die gleiche Version von R wie das Modul Execute R Script und kann die gleichen Standardpakete verwenden. Sie können Ihrem benutzerdefinierten Modul auch zusätzliche R-Pakete hinzufügen, indem Sie sie in das ZIP-Paket des benutzerdefinierten Moduls einschließen. Laden Sie sie einfach wie in Ihrer eigenen R-Umgebung in Ihr R-Skript.

Einschränkungen der Ausführungsumgebung umfassen:

Nicht beständiges Dateisystem: Dateien, die beim Ausführen des benutzerdefinierten Moduls geschrieben werden, können nicht über mehrere Ausführungen des gleichen Moduls hinweg persistent gespeichert werden.
Kein Netzwerkzugriff

Freigeben über