ForecastingJob Kelas
Konfigurasi untuk Tugas Prakiraan AutoML.
Menginisialisasi tugas Prakiraan AutoML baru.
- Warisan
-
azure.ai.ml.entities._job.automl.tabular.automl_tabular.AutoMLTabularForecastingJob
Konstruktor
ForecastingJob(*, primary_metric: str | None = None, forecasting_settings: ForecastingSettings | None = None, **kwargs)Parameter
Metode
| dump |
Mencadangkan konten pekerjaan ke dalam file dalam format YAML. |
| set_data |
Tentukan konfigurasi data. |
| set_featurization |
Tentukan konfigurasi rekayasa fitur. |
| set_forecast_settings |
Kelola parameter yang digunakan oleh tugas prakiraan. |
| set_limits |
Tetapkan batasan untuk pekerjaan tersebut. |
| set_training |
Metode untuk mengonfigurasi pengaturan terkait pelatihan prakiraan. |
dump
Mencadangkan konten pekerjaan ke dalam file dalam format YAML.
dump(dest: str | PathLike | IO, **kwargs) -> NoneParameter
Jalur lokal atau aliran file untuk menulis konten YAML. Jika dest adalah jalur file, file baru akan dibuat. Jika dest adalah file terbuka, file akan ditulis secara langsung.
- kwargs
- dict
Argumen tambahan untuk diteruskan ke serializer YAML.
Pengecualian
Dimunculkan jika tujuan adalah jalur file dan file sudah ada.
Dimunculkan jika tujuan adalah file terbuka dan file tidak dapat ditulis.
set_data
Tentukan konfigurasi data.
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) -> NoneParameter
- training_data
- Input
Data pelatihan.
- target_column_name
- str
Nama kolom kolom target.
Pengecualian
Dimunculkan jika tujuan adalah jalur file dan file sudah ada.
Dimunculkan jika tujuan adalah file terbuka dan file tidak dapat ditulis.
set_featurization
Tentukan konfigurasi rekayasa fitur.
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) -> NoneParameter
- blocked_transformers
- Optional[List[Union[BlockedTransformers, str]]]
Daftar nama transformator yang akan diblokir selama fiturisasi, default ke Tidak Ada
Kamus nama kolom dan jenis fitur yang digunakan untuk memperbarui tujuan kolom , default ke Tidak Ada
Tiga karakter kode ISO 639-3 untuk bahasa yang terkandung dalam himpunan data. Bahasa selain bahasa Inggris hanya didukung jika Anda menggunakan komputasi berkemampuan GPU. Language_code 'mul' harus digunakan jika himpunan data berisi beberapa bahasa. Untuk menemukan kode ISO 639-3 untuk bahasa yang berbeda, silakan lihat https://en.wikipedia.org/wiki/List_of_ISO_639-3_codes, default ke Tidak Ada
- transformer_params
- Optional[Dict[str, List[ColumnTransformer]]]
Kamus transformator dan parameter kustomisasi yang sesuai , default ke Tidak Ada
Apakah akan menyertakan metode rekayasa fitur berbasis DNN, default ke Tidak Ada
Pengecualian
Dimunculkan jika tujuan adalah jalur file dan file sudah ada.
Dimunculkan jika tujuan adalah file terbuka dan file tidak dapat ditulis.
set_forecast_settings
Kelola parameter yang digunakan oleh tugas prakiraan.
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) -> NoneParameter
Nama kolom waktu. Parameter ini diperlukan saat melakukan prakiraan untuk menentukan kolom tanggalwaktu dalam data input yang digunakan untuk membangun rangkaian waktu dan menyimpulkan frekuensinya.
- forecast_horizon
Horizon prakiraan maksimum yang diinginkan dalam satuan frekuensi rangkaian waktu. Nilai default adalah 1.
Unit didasarkan pada interval waktu yang harus diprediksi oleh forecaster di data pelatihan Anda, misalnya, bulanan atau mingguan. Saat jenis tugas diprakirakan, parameter ini akan diperlukan. Untuk informasi selengkapnya mengenai pengaturan parameter prakiraan, lihat Melatih model prakiraan rangkaian waktu secara otomatis.
Nama kolom yang digunakan untuk mengelompokkan rangkaian waktu. Dapat digunakan untuk membuat beberapa seri. Jika nama kolom id rangkaian waktu tidak ditentukan atau kolom pengidentifikasi yang ditentukan tidak mengidentifikasi semua seri dalam himpunan data, pengidentifikasi rangkaian waktu akan dibuat secara otomatis untuk himpunan data Anda.
- target_lags
Jumlah periode sebelumnya yang tertinggal dari kolom target. Secara default lag dimatikan.
Saat prakiraan, parameter ini mewakili jumlah baris untuk tertinggal dari nilai target berdasarkan frekuensi data. Ini direpresentasikan sebagai daftar atau satu bilangan bulat. Lag harus digunakan ketika hubungan antara variabel independen dan variabel dependen tidak cocok atau berkorelasi secara default. Misalnya, ketika mencoba memperkirakan permintaan untuk suatu produk, permintaan dalam setiap bulan mungkin bergantung pada harga komoditas tertentu 3 bulan sebelumnya. Dalam contoh ini, Anda mungkin ingin menjeda target (permintaan) secara negatif selama 3 bulan sehingga model tersebut melatih hubungan yang benar. Untuk informasi selengkapnya, lihat Melatih otomatis model prakiraan rangkaian waktu.
Catatan tentang deteksi otomatis lag target dan ukuran jendela gulir. Silakan lihat komentar yang sesuai di bagian jendela gulir. Kami menggunakan algoritma berikutnya untuk mendeteksi lag target dan ukuran jendela gulir yang optimal.
Perkirakan urutan lag maksimum untuk pemilihan fitur lihat kembali. Dalam kasus kami, jumlah periode hingga granularitas frekuensi tanggal berikutnya yaitu jika frekuensi harian, akan menjadi seminggu (7), jika seminggu, akan menjadi bulan (4). Nilai yang dikalikan dengan dua adalah nilai terbesar dari lag/jendela gulir. Dalam contoh kami, kami akan mempertimbangkan urutan lag maksimum masing-masing 14 dan 8).
Buat seri yang tidak sesuai musim dengan menambahkan komponen tren dan residu. Seri ini akan digunakan pada langkah selanjutnya.
Perkirakan PACF - Partial Auto Correlation Function pada data dari (2) dan cari titik, di mana korelasi otomatis signifikan yaitu nilai absolutnya lebih dari 1,96/square_root (nilai lag maksimal), yang sesuai dengan signifikansi 95%.
Jika semua poin signifikan, kami menganggapnya sebagai musim yang kuat dan tidak membuat fitur lihat kembali.
Kami memindai nilai PACF dari awal dan nilai sebelum korelasi otomatis tidak signifikan pertama akan menunjuk lag. Jika elemen signifikan pertama (nilai berkorelasi dengan dirinya sendiri) diikuti oleh tidak signifikan, lag akan menjadi 0 dan kami tidak akan menggunakan fitur lihat kembali.
Bendera untuk menghasilkan lag untuk fitur numerik dengan 'otomatis' atau None.
Jumlah periode sebelumnya yang digunakan untuk membuat rata-rata jendela gulir dari kolom target.
Saat melakukan prakiraan, parameter ini mewakili periode historis n yang digunakan untuk menghasilkan nilai yang diperkirakan, <= ukuran set pelatihan. Jika dihilangkan, n adalah ukuran set pelatihan penuh. Tentukan parameter ini ketika Anda hanya ingin mempertimbangkan sejumlah riwayat tertentu saat melatih model. Jika diatur ke 'otomatis', jendela gulir akan diperkirakan sebagai nilai terakhir di mana PACF lebih dari ambang signifikansi. Harap lihat bagian target_lags untuk mengetahui informasi detailnya.
Negara/wilayah yang digunakan untuk membuat fitur liburan. Fitur ini harus ISO 3166 dua huruf kode negara/wilayah, misalnya 'AS' atau 'GB'.
- use_stl
Konfigurasikan Dekomposisi STL dari kolom target rangakaian waktu. use_stl dapat mengambil tiga nilai: None(default) - tidak ada dekomposisi stl, 'season' - hanya menghasilkan komponen musim dan season_trend - menghasilkan komponen musim dan tren.
Atur musim rangkaian waktu sebagai kelipatan bilangan bulat dari frekuensi seri. Jika musim diatur ke 'otomatis', musim akan disimpulkan. Jika diatur ke None, rangkaian waktu diasumsikan bukan musim yang setara dengan musim = 1.
- short_series_handling_config
Parameter yang menentukan cara jika AutoML harus menangani rangkaian waktu yang singkat.
Nilai yang mungkin: 'otomatis' (default), 'pad', 'drop' dan Tidak Ada.
- seri pendek otomatis akan dilapisi jika tidak ada seri panjang,
jika tidak, seri pendek akan dihilangkan.
- pad semua rangkaian singkat akan diberi pad.
- drop semua rangkaian singkat akan dihilangkan".
- Tidak Ada rangkaian singkat tidak akan diubah.
Jika diatur ke 'pad', tabel akan dilapisi dengan nol dan nilai kosong untuk regresor dan nilai acak untuk target dengan rata-rata sama dengan median nilai target untuk id rangkaian waktu tertentu. Jika median lebih atau sama dengan nol, nilai pad minimal akan dipotong dengan nol: Input:
Tanggal
numeric_value
string
target
01-01-2020
23
green
55
Output dengan asumsi jumlah nilai minimal adalah empat:
Tanggal
numeric_value
string
target
2019-12-29
0
NA
55.1
2019-12-30
0
NA
55.6
2019-12-31
0
NA
54.5
01-01-2020
23
green
55
Catatan: Kami memiliki dua parameter short_series_handling_configuration dan legasi short_series_handling. Ketika kedua parameter ditetapkan, kami menyinkronkannya seperti yang ditunjukkan pada tabel di bawah ini (short_series_handling_configuration dan short_series_handling untuk singkatnya, masing-masing ditandai sebagai handling_configuration dan handling).
Penanganan
handlingconfiguration
resultinghandling
resultinghandlingconfiguration
True
auto
True
auto
True
Pad
True
auto
True
hilangkan
True
auto
True
Tidak ada
False
Tidak ada
Salah
auto
False
Tidak ada
Salah
Pad
False
Tidak ada
Salah
hilangkan
False
Tidak ada
False
Tidak ada
False
Tidak ada
- frequency
Frekuensi prakiraan.
Saat melakukan prakiraan, parameter ini mewakili periode pada suatu prakiraan, misalnya harian, mingguan, tahunan, dll. Frekuensi prakiraan adalah frekuensi himpunan data secara default. Anda dapat secara opsional mengaturnya menjadi lebih besar (tetapi tidak lebih rendah) dari frekuensi himpunan data. Kami akan mengagregasi data dan menghasilkan hasil pada frekuensi prakiraan. Misalnya, untuk data harian, Anda dapat mengatur frekuensi menjadi harian, mingguan, atau bulanan, tetapi tidak per jam. Frekuensinya harus alias offset panda. Lihat dokumentasi panda untuk informasi selengkapnya: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects
- target_aggregate_function
Fungsi yang akan digunakan untuk mengagregasi kolom target rangkaian waktu agar sesuai dengan frekuensi yang ditentukan pengguna. Jika target_aggregation_function telah ditetapkan, tetapi parameter frekuensi tidak ditetapkan, kesalahan akan muncul. Fungsi agregasi target yang memungkinkan adalah: "sum", "max", "min" dan "mean".
Nilai kolom target diagregasi berdasarkan operasi yang ditentukan. Biasanya, jumlah sesuai untuk sebagian besar skenario.
Kolom prediktor numerik dalam data Anda diagregasi menurut jumlah, rata-rata, nilai minimum, dan nilai maksimum. Akibatnya, ML otomatis menghasilkan kolom baru yang dicukupkan dengan nama fungsi agregasi dan menerapkan operasi agregat yang dipilih.
Untuk kolom prediktor kategoris, data diagregasi menurut mode, kategori paling menonjol di jendela.
Kolom prediktor tanggal diagregasi menurut nilai minimum, nilai maksimum, dan mode.
Frek
target_aggregation_function
Mekanisme regularityfixing data
Tidak ada (Default)
Tidak ada (Default)
Agregasi tidak diterapkan. Jika validfrequency tidak dapat ditentukandetermin kesalahan akan dinaikkan.
Beberapa Nilai
Tidak ada (Default)
Agregasi tidak diterapkan. Jika numberof data pointcompliant togiven frequencygrid tidak ada artinya maka 90%titik-titik iniakan beremoved, jika tidak, kesalahan akan dimunculkan.
Tidak ada (Default)
Fungsi agregasi
Kesalahan tentangmissingfrequencyparameter terisrais.
Beberapa Nilai
Fungsi agregasi
Agregat tofrequency menggunakanprovidedaggregationfunction.
Jumlah periode antara origin_time dari satu lipatan CV dan lipatan berikutnya. Misalnya, jika n_step = 3 untuk data harian, waktu asal untuk setiap lipatan akan selisih tiga hari.
Kolom fitur yang tersedia untuk pelatihan tetapi tidak diketahui pada saat prakiraan/inferensi. Jika features_unknown_at_forecast_time diatur ke daftar kosong, diasumsikan bahwa semua kolom fitur dalam himpunan data diketahui pada waktu inferensi. Jika parameter ini tidak diatur, dukungan untuk fitur mendatang tidak diaktifkan.
Pengecualian
Dimunculkan jika tujuan adalah jalur file dan file sudah ada.
Dimunculkan jika tujuan adalah file terbuka dan file tidak dapat ditulis.
set_limits
Tetapkan batasan untuk pekerjaan tersebut.
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) -> NoneParameter
Apakah akan mengaktifkan penghentian dini jika skor tidak membaik dalam jangka pendek, default ke Tidak Ada.
Logika penghentian dini:
Tidak ada penghentian dini untuk 20 perulangan pertama (landmark).
Jendela penghentian dini dimulai pada perulangan ke-21 dan mencari perulangan early_stopping_n_iters
(saat ini diatur ke 10). Hal ini berarti bahwa penghentian dapat terjadi pertama kali pada perulangan ke-31.
AutoML masih menjadwalkan 2 iterasi ansambel SETELAH penghentian awal, yang mungkin menghasilkan skor yang lebih tinggi.
Penghentian dini dapat dipicu jika nilai absolut dari skor terbaik yang terhitung sama dengan
perulangan early_stopping_n_iters terakhir, artinya, tidak ada peningkatan skor untuk perulangan early_stopping_n_iters.
Skor target untuk eksperimen. Eksperimen berakhir setelah skor ini tercapai. Jika tidak ditentukan (tidak ada kriteria), eksperimen akan berjalan hingga tidak ada progres lebih lanjut terjadi di metrik utama. Untuk informasi selengkapnya tentang kriteria keluar, lihat artikel ini , default ke Tidak Ada
Ini adalah jumlah maksimum iterasi yang akan dijalankan secara paralel. Nilai default adalah 1.
- Kluster AmlCompute mendukung satu iterasi yang berjalan per simpul.
Untuk beberapa eksekusi induk eksperimen AutoML yang dijalankan secara paralel pada kluster AmlCompute tunggal, jumlah nilai max_concurrent_trials untuk semua eksperimen harus kurang dari atau sama dengan jumlah maksimum node. Jika tidak, eksekusi akan menjadi antrean sampai node tersedia.
- DSVM mendukung beberapa perulangan per node.
max_concurrent_trialsHarus
kurang dari atau sama dengan jumlah inti pada DSVM. Untuk beberapa eksperimen yang dijalankan secara paralel pada DSVM tunggal, jumlah nilai max_concurrent_trials untuk semua eksperimen harus kurang dari atau sama dengan jumlah node maksimum.
- Databricks -
max_concurrent_trialsharus kurang dari atau sama dengan jumlah
simpul pekerja di Databricks.
max_concurrent_trials tidak berlaku untuk eksekusi lokal. Sebelumnya, parameter ini diberi nama concurrent_iterations.
Jumlah maksimum rangkaian yang digunakan untuk perulangan pelatihan tertentu. Nilai yang dapat diterima:
Lebih besar dari 1 dan kurang dari atau sama dengan jumlah maksimum core pada target komputasi.
Sama dengan -1, yang berarti menggunakan semua core yang memungkinkan per perulangan per eksekusi turunan.
Sama dengan 1, default.
[Eksperimental] Jumlah maksimum simpul yang digunakan untuk pelatihan terdistribusi.
Untuk prakiraan, setiap model dilatih menggunakan simpul max(2, int(max_nodes / max_concurrent_trials)).
Untuk klasifikasi/regresi, setiap model dilatih menggunakan simpul max_nodes.
Catatan- Parameter ini berada dalam pratinjau publik dan mungkin berubah di masa mendatang.
Total jumlah kombinasi algoritma dan parameter yang berbeda yang akan diuji selama eksperimen pembelajaran mesin otomatis. Jika tidak ditentukan, defaultnya adalah 1000 perulangan.
Jumlah waktu maksimum dalam hitungan menit yang dapat diambil oleh semua perulangan sebelum eksperimen berakhir. Jika tidak ditentukan, batas waktu eksperimen default adalah 6 hari. Untuk menentukan batas waktu kurang dari atau sama dengan 1 jam, pastikan ukuran himpunan data Anda tidak lebih besar dari 10.000.000 (kolom waktu baris) atau hasil kesalahan, default ke Tidak Ada
Waktu maksimum dalam menit pada setiap perulangan sebelum berakhir. Jika tidak ditentukan, nilai 1 bulan atau 43200 menit digunakan, default ke Tidak Ada
Pengecualian
Dimunculkan jika tujuan adalah jalur file dan file sudah ada.
Dimunculkan jika tujuan adalah file terbuka dan file tidak dapat ditulis.
set_training
Metode untuk mengonfigurasi pengaturan terkait pelatihan prakiraan.
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) -> NoneParameter
- enable_onnx_compatible_models
Pengaktifan atau penonaktifan penerapan model yang kompatibel dengan ONNX. Defaultnya adalah False. Untuk informasi selengkapnya tentang Open Neural Network Exchange (ONNX) dan Azure Machine Learning, lihat artikel ini.
Penyertaan model berbasis DNN selama pemilihan model. Namun, untuk tugas NLP DNN, defaultnya adalah True, dan untuk semua tugas AutoML lainnya, defaultnya adalah False.
- enable_model_explainability
Pengaktifan penjelasan model AutoML terbaik di akhir semua perulangan pelatihan AutoML. Untuk informasi selengkapnya, lihat Interpretabilitas: penjelasan model dalam pembelajaran mesin otomatis. , default ke Tidak Ada
- enable_stack_ensemble
Pengaktifan/penonaktifan perulangan StackEnsemble. Jika bendera enable_onnx_compatible_models sedang diatur, perulangan StackEnsemble akan dinonaktifkan. Demikian pula, untuk tugas Rangkaian Waktu, perulangan StackEnsemble akan dinonaktifkan secara default, untuk menghindari risiko overfitting karena rangkaian pelatihan kecil yang digunakan dalam pemasangan meta learner. Untuk informasi selengkapnya tentang ansambel, lihat Konfigurasi ansambel , default ke Tidak Ada
- enable_vote_ensemble
Pengaktifan/penonaktifan perulangan VotingEnsemble. Untuk informasi selengkapnya tentang ansambel, lihat Konfigurasi ansambel , default ke Tidak Ada
- stack_ensemble_settings
- Optional[StackEnsembleSettings]
Pengaturan untuk perulangan StackEnsemble, default ke Tidak Ada
Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang cocok dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai yang lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu, default ke Tidak Ada
Daftar nama model untuk mencari eksperimen. Jika tidak ditentukan, maka semua model yang didukung untuk tugas digunakan dikurangi model TensorFlow yang ditentukan blocked_training_algorithms atau tidak digunakan lagi, default ke Tidak Ada
Daftar algoritma yang akan diabaikan untuk eksperimen, default ke Tidak Ada
- training_mode
[Eksperimental] Mode pelatihan yang akan digunakan. Nilai yang mungkin adalah-
terdistribusi- memungkinkan pelatihan terdistribusi untuk algoritma yang didukung.
non_distributed- menonaktifkan pelatihan terdistribusi.
auto- Saat ini, sama dengan non_distributed. Di masa depan, ini mungkin berubah.
Catatan: Parameter ini berada dalam pratinjau publik dan dapat berubah di masa mendatang.
Pengecualian
Dimunculkan jika tujuan adalah jalur file dan file sudah ada.
Dimunculkan jika tujuan adalah file terbuka dan file tidak dapat ditulis.
Atribut
base_path
creation_context
Konteks pembuatan sumber daya.
Mengembalikan
Metadata pembuatan untuk sumber daya.
Tipe hasil
featurization
Dapatkan pengaturan fiturisasi tabular untuk pekerjaan AutoML.
Mengembalikan
Pengaturan fiturisasi tabular untuk pekerjaan AutoML
Tipe hasil
forecasting_settings
Mengembalikan pengaturan prakiraan.
Mengembalikan
pengaturan prakiraan.
Tipe hasil
id
ID Sumber Daya.
Mengembalikan
ID global sumber daya, ID Azure Resource Manager (ARM).
Tipe hasil
inputs
limits
Dapatkan batas tabular untuk pekerjaan AutoML.
Mengembalikan
Batas tabular untuk pekerjaan AutoML
Tipe hasil
log_files
log_verbosity
Dapatkan verbositas log untuk pekerjaan AutoML.
Mengembalikan
verbositas log untuk pekerjaan AutoML
Tipe hasil
outputs
primary_metric
Mengembalikan metrik utama yang akan digunakan untuk pemilihan model.
Mengembalikan
Metrik utama untuk pemilihan model.
Tipe hasil
status
Status pekerjaan.
Nilai umum yang dikembalikan termasuk "Berjalan", "Selesai", dan "Gagal". Semua nilai yang mungkin adalah:
NotStarted - Ini adalah status sementara bahwa objek Jalankan sisi klien berada sebelum pengiriman cloud.
Memulai - Eksekusi sudah mulai diproses di cloud. Penelepon memiliki ID eksekusi pada titik ini.
Provisi - Komputasi sesuai permintaan sedang dibuat untuk pengiriman pekerjaan tertentu.
Persiapan - Lingkungan eksekusi sedang disiapkan dan berada dalam salah satu dari dua tahap:
Build gambar Docker
penyiapan lingkungan conda
Diantrekan - Pekerjaan diantrekan pada target komputasi. Misalnya, di BatchAI, pekerjaan dalam status antrean
sambil menunggu semua node yang diminta siap.
Berjalan - Pekerjaan telah mulai berjalan pada target komputasi.
Finalisasi - Eksekusi kode pengguna telah selesai, dan eksekusi sedang dalam tahap pasca-pemrosesan.
CancelRequested - Pembatalan pekerjaan telah diminta.
Selesai - Eksekusi berhasil diselesaikan. Ini termasuk eksekusi kode pengguna dan jalankan
tahapan pascapemrosesan.
Gagal - Eksekusi gagal. Biasanya properti Kesalahan eksekusi akan menampilkan detail alasannya.
Dibatalkan - Mengikuti permintaan pembatalan dan menunjukkan bahwa eksekusi berhasil dibatalkan.
NotResponding - Untuk eksekusi yang mengaktifkan Heartbeats, tidak ada heartbeat yang baru dikirim.
Mengembalikan
Status pekerjaan.
Tipe hasil
studio_url
Titik akhir studio Azure ML.
Mengembalikan
URL ke halaman detail pekerjaan.
Tipe hasil
task_type
Mendapatkan jenis tugas.
Mengembalikan
Jenis tugas yang akan dijalankan. Nilai yang mungkin termasuk: "klasifikasi", "regresi", "prakiraan".
Tipe hasil
test_data
training
Mengembalikan pengaturan pelatihan prakiraan.
Mengembalikan
pengaturan pelatihan.
Tipe hasil
training_data
type
validation_data
Azure SDK for Python
Saran dan Komentar
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat: https://aka.ms/ContentUserFeedback.
Kirim dan lihat umpan balik untuk