ForecastingJob Osztály
AutoML-előrejelzési feladat konfigurálása.
Új AutoML-előrejelzési feladat inicializálása.
- Öröklődés
-
azure.ai.ml.entities._job.automl.tabular.automl_tabular.AutoMLTabularForecastingJob
Konstruktor
ForecastingJob(*, primary_metric: str | None = None, forecasting_settings: ForecastingSettings | None = None, **kwargs)Paraméterek
- forecasting_settings
- Optional[ForecastingSettings]
Az előrejelzési tevékenység beállításai.
Metódusok
| dump |
A feladat tartalmát YAML formátumú fájlba menti. |
| set_data |
Adatkonfiguráció definiálása. |
| set_featurization |
Funkciómérnöki konfiguráció definiálása. |
| set_forecast_settings |
Tevékenységek előrejelzése által használt paraméterek kezelése. |
| set_limits |
Állítsa be a feladat korlátait. |
| set_training |
Az előrejelzés betanításával kapcsolatos beállítások konfigurálásának módja. |
dump
A feladat tartalmát YAML formátumú fájlba menti.
dump(dest: str | PathLike | IO, **kwargs) -> NoneParaméterek
A YAML-tartalom írásához használt helyi elérési út vagy fájlstream. Ha a dest fájlelérési út, a rendszer új fájlt hoz létre. Ha a dest egy megnyitott fájl, a fájl közvetlenül a fájlba lesz megírva.
- kwargs
- dict
A YAML szerializálónak átadandó további argumentumok.
Kivételek
Akkor jön létre, ha a dest fájlelérési út, és a fájl már létezik.
Akkor jön létre, ha a dest egy megnyitott fájl, és a fájl nem írható.
set_data
Adatkonfiguráció definiálása.
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) -> NoneParaméterek
- training_data
- Input
Betanítási adatok.
- target_column_name
- str
A céloszlop oszlopneve.
Kivételek
Akkor jön létre, ha a dest fájlelérési út, és a fájl már létezik.
Akkor jön létre, ha a dest egy megnyitott fájl, és a fájl nem írható.
set_featurization
Funkciómérnöki konfiguráció definiálása.
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) -> NoneParaméterek
- blocked_transformers
- Optional[List[Union[BlockedTransformers, str]]]
A featurizáció során letiltandó transzformátornevek listája, alapértelmezés szerint Nincs
Az oszlop céljának frissítéséhez használt oszlopnevek és szolgáltatástípusok szótára, alapértelmezés szerint Nincs értékre
Három karakteres ISO 639-3 kód az adatkészletben található nyelv(ek)hez. Az angoltól eltérő nyelvek csak AKKOR támogatottak, ha GPU-kompatibilis számítást használ. Ha az adatkészlet több nyelvet tartalmaz, akkor a "mul" language_code kell használni. A különböző nyelvek ISO 639-3-kódjainak megkereséséhez tekintse meg a https://en.wikipedia.org/wiki/List_of_ISO_639-3_codeskövetkezőt: , alapértelmezés szerint Nincs
- transformer_params
- Optional[Dict[str, List[ColumnTransformer]]]
A transzformátor szótára és a megfelelő testreszabási paraméterek , alapértelmezés szerint Nincs
DNN-alapú szolgáltatástervezési módszerek belefoglalása, alapértelmezés szerint Nincs
Kivételek
Akkor jön létre, ha a dest fájlelérési út, és a fájl már létezik.
Akkor jön létre, ha a dest egy megnyitott fájl, és a fájl nem írható.
set_forecast_settings
Tevékenységek előrejelzése által használt paraméterek kezelése.
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) -> NoneParaméterek
Az időoszlop neve. Ez a paraméter szükséges az előrejelzéshez az idősor létrehozásához és gyakoriságának meghatározásához használt bemeneti adatok datetime oszlopának megadásához.
- forecast_horizon
A kívánt maximális előrejelzési horizont idősorozat-gyakoriság egységekben. Az alapértelmezett érték az 1.
Az egységek a betanítási adatok időintervallumán alapulnak, például havonta, hetente, amelyet az előrejelzőnek előre kell jeleznie. A tevékenységtípus előrejelzése esetén erre a paraméterre van szükség. További információ az előrejelzési paraméterek beállításáról: Idősoros előrejelzési modell automatikus betanítása.
Az idősorok csoportosításához használt oszlopok neve. Több adatsor létrehozására is használható. Ha az idősor-azonosító oszlopnevei nincsenek definiálva, vagy a megadott azonosító oszlopok nem azonosítják az adathalmaz összes adatsorát, a rendszer automatikusan létrehozza az idősor-azonosítókat az adatkészlethez.
- target_lags
A céloszloptól eltúlzott időszakok száma. Alapértelmezés szerint a késések ki vannak kapcsolva.
Az előrejelzés során ez a paraméter az adatok gyakorisága alapján a célértékek késleltetéséhez használt sorok számát jelöli. Ez listaként vagy egész számként jelenik meg. Késést kell használni, ha a független változók és a függő változók közötti kapcsolat alapértelmezés szerint nem egyezik vagy korrelál. Ha például egy termék iránti keresletet próbál előrejelezni, a kereslet bármely hónapban függhet az adott áruk 3 hónappal korábbi árától. Ebben a példában érdemes lehet 3 hónappal negatívan eltolni a célt (keresletet), hogy a modell betanítást használjon a megfelelő kapcsolatra. További információ: Idősoros előrejelzési modell automatikus betanítása.
Jegyezze fel a célelmaradások és a gördülő ablak méretének automatikus észlelését. Tekintse meg a megfelelő megjegyzéseket a görgetőablak szakaszában. A következő algoritmus használatával észleljük az optimális célelmaradást és a gördülő ablakméretet.
Becsülje meg a visszatekintés funkció kiválasztásának maximális késési sorrendjét. Esetünkben ez az időszakok száma a következő dátumig gyakorisági részletesség, azaz ha a gyakoriság napi, akkor egy hét (7), ha egy hét, akkor hónap lesz (4). Ez a kettővel szorzott értékek a késések/gördülő ablakok legnagyobb lehetséges értékei. Példáinkban a maximális késési sorrendet 14 és 8 között fogjuk figyelembe venni.
Trendek és reziduális összetevők hozzáadásával hozzon létre egy szezonalitás-ellenes sorozatot. Ezt a következő lépésben fogjuk használni.
Becsülje meg a PACF – Részleges automatikus korreláció függvényt a (2) adatokon, és keressen olyan pontokat, ahol az automatikus korreláció jelentős, azaz abszolút értéke több, mint 1,96/square_root (maximális késési érték), amely 95%-os pontosságnak felel meg.
Ha minden pont jelentős, erős szezonalitásnak tekintjük, és nem hozunk létre visszatekintési funkciókat.
A PACF-értékeket az elejétől vizsgáljuk, és az első jelentéktelen automatikus korreláció előtti érték jelöli a késést. Ha az első jelentős elemet (az érték önmagával korrelál) jelentéktelen követi, a késés 0 lesz, és nem használunk visszatekintő funkciókat.
Az "auto" vagy a None típusú numerikus funkciók késéseinek generálására szolgáló jelző.
A céloszlop gördülőablak-átlagának létrehozásához használt elmúlt időszakok száma.
Előrejelzéskor ez a paraméter n előzményidőszakot jelöl az előrejelzett értékek létrehozásához, <= betanítási csoport mérete. Ha nincs megadva, n a betanítási csoport teljes mérete. Adja meg ezt a paramétert, ha csak egy bizonyos mennyiségű előzményt szeretne figyelembe venni a modell betanításakor. Ha az "automatikus" értékre van állítva, a rendszer az utolsó értékként becsüli meg a görgetőablakot, ahol a PACF nagyobb, mint a pontossági küszöbérték. Részletekért tekintse meg target_lags szakaszt.
A nyaralási szolgáltatások létrehozásához használt ország/régió. Ezeknek iso 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB".
- use_stl
Konfigurálja az idősor céloszlopának STL-felbontását. use_stl három értéket vehet fel: Nincs (alapértelmezett) – nincs stl felbontás, "szezon" – csak szezonösszetevőt és season_trend hoz létre, és szezon- és trendösszetevőket is létrehoz.
Állítsa be az idősor szezonalitását a sorozat gyakoriságának egész számának többszöröseként. Ha a szezonalitás "automatikus" értékre van állítva, a rendszer levonja a következtetést. Ha a Nincs értékre van állítva, akkor az idősor nem szezonális, ami egyenértékű a szezonalitás=1 értékkel.
- short_series_handling_config
A paraméter határozza meg, hogy az AutoML hogyan kezelje a rövid idősorokat.
Lehetséges értékek: "auto" (alapértelmezett), "pad", "drop" és None.
- az automatikus rövid sorozatok ki lesznek párnázottak, ha nincsenek hosszú sorozatok,
ellenkező esetben a rövid sorozat el lesz dobva.
- pad az összes rövid sorozat lesz párnázott.
- az összes rövid sorozat elvetése".
- A rövid sorozat nem lesz módosítva.
Ha a "pad" értékre van állítva, a tábla a regresszorok nulláival és üres értékeivel, a célhoz pedig véletlenszerű értékekkel lesz kipárnázott, és az adott idősor-azonosító célértékének középértéke. Ha a medián nagyobb vagy egyenlő nullával, a minimális kipárnázott érték nullával lesz kivágva: Bemenet:
Date
numeric_value
sztring
Cél
2020-01-01
23
zöld
55
A kimenet minimális értékeket feltételezve négy:
Date
numeric_value
sztring
Cél
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
zöld
55
Megjegyzés: Két paraméterünk short_series_handling_configuration és örökölt short_series_handling. Ha mindkét paraméter be van állítva, szinkronizáljuk őket az alábbi táblázatban látható módon (short_series_handling_configuration és short_series_handling a rövidséghez handling_configuration és kezelésként vannak megjelölve).
Kezelése
handlingconfiguration
eredményül kapott kezel
resultinghandlingconfiguration
Igaz
auto
Igaz
auto
Igaz
Pad
Igaz
auto
Igaz
drop
Igaz
auto
Igaz
None
Hamis
None
Hamis
auto
Hamis
None
Hamis
Pad
Hamis
None
Hamis
drop
Hamis
None
Hamis
None
Hamis
None
- frequency
Előrejelzés gyakorisága.
Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést szeretné elérni, például naponta, hetente, évente stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága. Igény szerint nagyobb (de nem kisebb) értékre állíthatja, mint az adathalmaz gyakorisága. Összesítjük az adatokat, és előrejelzési gyakorisággal generáljuk az eredményeket. A napi adatok esetében például beállíthatja a gyakoriságot napi, heti vagy havi értékre, de nem óránként. A gyakoriságnak pandas offset aliasnak kell lennie. További információért tekintse meg a pandas dokumentációját: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects
- target_aggregate_function
Az idősor céloszlopának összesítéséhez használandó függvény, hogy megfeleljen a felhasználó által megadott gyakoriságnak. Ha a target_aggregation_function be van állítva, de a freq paraméter nincs beállítva, a hiba keletkezik. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean".
A céloszlop értékeit a rendszer a megadott művelet alapján összesíti. Az összeg általában a legtöbb forgatókönyvhöz megfelelő.
Az adatok numerikus prediktoroszlopai összeg, középérték, minimális érték és maximális érték szerint vannak összesítve. Ennek eredményeképpen az automatizált gépi tanulás az aggregációs függvény nevével utótaggal ellátott új oszlopokat hoz létre, és alkalmazza a kiválasztott összesítési műveletet.
A kategorikus prediktoroszlopok esetében az adatok az ablak legkiválóbb kategóriája, a mód szerint összesítve lesznek.
A dátumelőztető oszlopokat a rendszer a minimális érték, a maximális érték és a mód szerint összesíti.
Freq
target_aggregation_function
Adatszűkítési mechanizmus
Nincs (alapértelmezett)
Nincs (alapértelmezett)
Az aggregationis nincs alkalmazva. Ha a validfrequency nem határozható meg, akkor a hiba jelentkezik.
Néhány érték
Nincs (alapértelmezett)
Az aggregationis nincs alkalmazva. Ha a togiven frequencygrid adatpontok száma nem változik, akkor 90%ezek a pontok nem jelennek meg, ellenkező esetben a hiba jelentkezik.
Nincs (alapértelmezett)
Aggregációs függvény
Amissingfrequencyparameter hiba el van különítve.
Néhány érték
Aggregációs függvény
Aggregált tofrequency usingprovidedaggregationfunction.
Az egyik CV-hajtás origin_time és a következő hajtás közötti időszakok száma. Ha például n_step = 3 a napi adatok esetében, az egyes hajtások forrásideje három nap különbséggel jelenik meg.
A betanításhoz elérhető, de az előrejelzés/következtetés időpontjában ismeretlen funkcióoszlopok. Ha features_unknown_at_forecast_time üres listára van állítva, akkor a rendszer feltételezi, hogy az adathalmaz összes funkcióoszlopa a következtetés időpontjában ismert. Ha ez a paraméter nincs beállítva, a jövőbeli funkciók támogatása nincs engedélyezve.
Kivételek
Akkor jön létre, ha a dest fájlelérési út, és a fájl már létezik.
Akkor jön létre, ha a dest egy megnyitott fájl, és a fájl nem írható.
set_limits
Állítsa be a feladat korlátait.
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) -> NoneParaméterek
Ha a pontszám rövid távon nem javul, engedélyezze-e a korai leállítást, alapértelmezés szerint Nincs.
Korai leállítási logika:
Nincs korai leállítás az első 20 iterációhoz (nevezetességekhez).
A korai leállítási ablak a 21. iterációban kezdődik, és early_stopping_n_iters iterációkat keres
(jelenleg 10 értékre van állítva). Ez azt jelenti, hogy az első iteráció, ahol leállítás történhet, a 31.
Az AutoML a korai leállítás után is 2 együttes iterációt ütemez, ami magasabb pontszámot eredményezhet.
A korai leállítás akkor aktiválódik, ha a kiszámított legjobb pontszám abszolút értéke megegyezik a múlttal
early_stopping_n_iters iterációk, azaz ha nincs javulás az early_stopping_n_iters iterációk pontszámában.
A kísérlet célpontszáma. A kísérlet a pontszám elérése után leáll. Ha nincs megadva (nincs feltétel), a kísérlet addig fut, amíg az elsődleges metrika nem halad tovább. A kilépési feltételekről további információt ebben a cikkben talál: , alapértelmezés szerint Nincs
Ez a párhuzamosan végrehajtható iterációk maximális száma. Az alapértelmezett érték az 1.
- Az AmlCompute-fürtök csomópontonként egy iterációt támogatnak.
Ha több AutoML-kísérlet szülőfuttatása fut párhuzamosan egyetlen AmlCompute-fürtön, az összes kísérlet értékeinek összege max_concurrent_trials nem haladhatja meg a csomópontok maximális számát. Ellenkező esetben a futtatások várólistára kerülnek, amíg a csomópontok elérhetővé nem válnak.
- A DSVM csomópontonként több iterációt is támogat.
max_concurrent_trialsKell
kisebbnek vagy egyenlőnek kell lennie a DSVM magjainak számával. Ha több kísérlet fut párhuzamosan egyetlen DSVM-en, az összes kísérlet értékeinek összege max_concurrent_trials nem haladhatja meg a csomópontok maximális számát.
- Databricks –
max_concurrent_trialsnem lehet kisebb, mint a
feldolgozó csomópontok a Databricksben.
max_concurrent_trials nem vonatkozik a helyi futtatásokra. Korábban ezt a paramétert nevezték el concurrent_iterations.
Az adott betanítási iterációhoz használandó szálak maximális száma. Elfogadható értékek:
Nagyobb, mint 1 és kisebb, mint a számítási célmagok maximális száma.
Egyenlő -1-sel, ami azt jelenti, hogy az összes lehetséges magot iterációnként kell használni gyermekfuttatásonként.
Az alapértelmezett érték 1.
[Kísérleti] Az elosztott betanításhoz használandó csomópontok maximális száma.
Az előrejelzéshez az egyes modellek betanítása max(2, int(max_nodes/max_concurrent_trials)) csomópontokkal történik.
Besorolás/regresszió esetén az egyes modellek betanítása max_nodes csomópontok használatával történik.
Megjegyzés – Ez a paraméter nyilvános előzetes verzióban érhető el, és a jövőben változhat.
Az automatizált gépi tanulási kísérlet során tesztelendő különböző algoritmus- és paraméterkombinációk teljes száma. Ha nincs megadva, az alapértelmezett érték 1000 iteráció.
A kísérlet befejezése előtt az összes iteráció legfeljebb percek alatt befejeződhet. Ha nincs megadva, a kísérlet alapértelmezett időtúllépése 6 nap. Ha 1 óránál rövidebb vagy egyenlő időtúllépést szeretne megadni, győződjön meg arról, hogy az adathalmaz mérete nem nagyobb 10 000 000-nél (sorok száma oszlopban) vagy hibaeredménynél, alapértelmezés szerint Nincs
Az egyes iterációk futásának maximális időtartama percekben, mielőtt befejeződik. Ha nincs megadva, a rendszer 1 hónapos vagy 43200 perces értéket használ, alapértelmezés szerint Nincs értékre.
Kivételek
Akkor jön létre, ha a dest fájlelérési út, és a fájl már létezik.
Akkor jön létre, ha a dest egy megnyitott fájl, és a fájl nem írható.
set_training
Az előrejelzés betanításával kapcsolatos beállítások konfigurálásának módja.
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) -> NoneParaméterek
- enable_onnx_compatible_models
Engedélyezi vagy letiltja az ONNX-kompatibilis modellek kényszerítését. Az alapértelmezett érték a Hamis. Az Open Neural Network Exchange (ONNX) és az Azure Machine Learning szolgáltatásról ebben a cikkben talál további információt.
DNN-alapú modellek belefoglalása a modell kiválasztása során. Az alapértelmezett érték azonban Igaz a DNN NLP-tevékenységek esetében, és az összes többi AutoML-tevékenység esetén hamis.
- enable_model_explainability
Engedélyezi-e a legjobb AutoML-modell magyarázatát az autoML betanítási iterációinak végén. További információ : Értelmezhetőség: modellmagyarázatok az automatizált gépi tanulásban. , alapértelmezés szerint Nincs
- enable_stack_ensemble
A StackEnsemble iteráció engedélyezése/letiltása. Ha enable_onnx_compatible_models jelző van beállítva, a StackEnsemble iteráció le lesz tiltva. Hasonlóképpen, az Időzített feladatok esetében a StackEnsemble iteráció alapértelmezés szerint le lesz tiltva, hogy elkerülje a túlillesztés kockázatát a metatanuló illesztéséhez használt kis betanítási készlet miatt. További információ az együttesekről: Együttes konfigurációja , alapértelmezett értéke Nincs
- enable_vote_ensemble
A VotingEnsemble iteráció engedélyezése/letiltása. További információ az együttesekről: Együttes konfigurációja , alapértelmezett értéke Nincs
- stack_ensemble_settings
- Optional[StackEnsembleSettings]
A StackEnsemble iteráció beállításai, alapértelmezés szerint Nincs
A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több illesztett modelljét tölti le. Konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel, ha több időre van szükség, alapértelmezés szerint Nincs
Modellnevek listája egy kísérlet kereséséhez. Ha nincs megadva, akkor a rendszer a tevékenységhez támogatott összes modellt használja a TensorFlow-modellekben blocked_training_algorithms megadott vagy elavult modellek nélkül, alapértelmezés szerint Nincs értékre
A kísérletben figyelmen kívül hagyandó algoritmusok listája, alapértelmezés szerint Nincs
- training_mode
[Kísérleti] A használni kívánt betanítási mód. A lehetséges értékek a következők:
distributed – lehetővé teszi az elosztott betanítást a támogatott algoritmusokhoz.
non_distributed – letiltja az elosztott betanítást.
auto – Jelenleg ugyanaz, mint non_distributed. A jövőben ez megváltozhat.
Megjegyzés: Ez a paraméter nyilvános előzetes verzióban érhető el, és a jövőben változhat.
Kivételek
Akkor jön létre, ha a dest fájlelérési út, és a fájl már létezik.
Akkor jön létre, ha a dest egy megnyitott fájl, és a fájl nem írható.
Attribútumok
base_path
creation_context
Az erőforrás létrehozási környezete.
Válaszok
Az erőforrás létrehozási metaadatai.
Visszatérési típus
featurization
Kérje le az AutoML-feladat táblázatos featurizációs beállításait.
Válaszok
Az AutoML-feladat táblázatos featurizációs beállításai
Visszatérési típus
forecasting_settings
Adja vissza az előrejelzési beállításokat.
Válaszok
előrejelzési beállításokat.
Visszatérési típus
id
Az erőforrás-azonosító.
Válaszok
Az erőforrás globális azonosítója, egy Azure Resource Manager (ARM) azonosító.
Visszatérési típus
inputs
limits
Kérje le az AutoML-feladat táblázatos korlátait.
Válaszok
Az AutoML-feladat táblázatos korlátai
Visszatérési típus
log_files
Feladat kimeneti fájljai.
Válaszok
A naplónevek és URL-címek szótára.
Visszatérési típus
log_verbosity
Kérje le az AutoML-feladat naplórészletességét.
Válaszok
napló részletessége az AutoML-feladathoz
Visszatérési típus
outputs
primary_metric
A modell kiválasztásához használandó elsődleges metrikát adja vissza.
Válaszok
A modell kiválasztásának elsődleges metrikája.
Visszatérési típus
status
A feladat állapota.
A visszaadott értékek közé tartozik a "Running", a "Completed" és a "Failed" (Sikertelen). Minden lehetséges érték a következő:
NotStarted – Ez egy ideiglenes állapot, amelyben az ügyféloldali Run objektumok a felhőbeküldés előtt találhatók.
Indítás – A futtatás megkezdődött a felhőben való feldolgozásban. A hívó ezen a ponton futtatási azonosítóval rendelkezik.
Kiépítés – Egy adott feladatbeküldéshez igény szerinti számítás jön létre.
Előkészítés – A futtatási környezet előkészítése folyamatban van, és a következő két szakasz egyikében van:
Docker-rendszerkép összeállítása
conda-környezet beállítása
Queued – A feladat várólistára van helyezve a számítási célon. A BatchAI-ban például a feladat várólistás állapotban van
amíg az összes kért csomópont készen áll.
Futtatás – A feladat elkezdett futni a számítási célon.
Véglegesítés – A felhasználói kód végrehajtása befejeződött, a futtatás pedig a feldolgozás utáni fázisokban van.
CancelRequested – A feladat lemondását kérték.
Befejeződött – A futtatás sikeresen befejeződött. Ez magában foglalja a felhasználói kód végrehajtását és a futtatást is
utófeldolgozási fázisok.
Sikertelen – A futtatás sikertelen volt. A futtatáskor általában az Error tulajdonság adja meg a hiba okát.
Megszakítva – Egy lemondási kérést követ, és azt jelzi, hogy a futtatás sikeresen megszakadt.
NotKiszolgáló – Azon futtatások esetében, amelyeken engedélyezve van a szívverés, a rendszer nem küldött szívverést a közelmúltban.
Válaszok
A feladat állapota.
Visszatérési típus
studio_url
Azure ML Studio-végpont.
Válaszok
A feladat részleteit tartalmazó lap URL-címe.
Visszatérési típus
task_type
Feladattípus lekérése.
Válaszok
A futtatni kívánt feladat típusa. Lehetséges értékek: "besorolás", "regresszió", "előrejelzés".
Visszatérési típus
test_data
training
Adja vissza az előrejelzés betanítási beállításait.
Válaszok
betanítási beállítások.
Visszatérési típus
training_data
type
validation_data
Azure SDK for Python
Visszajelzés
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ: https://aka.ms/ContentUserFeedback.
Visszajelzés küldése és megtekintése a következőhöz: