Jobs - Create Or Update
ジョブを作成して実行します。 更新ケースの場合、渡された定義のタグは、既存のジョブのタグに置き換えられます。
PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/jobs/{id}?api-version=2024-04-01
URI パラメーター
名前 | / | 必須 | 型 | 説明 |
---|---|---|---|---|
id
|
path | True |
string |
ジョブの名前と識別子。 これは大文字小文字を区別します。 Regex pattern: |
resource
|
path | True |
string |
リソース グループの名前。 名前の大文字と小文字は区別されます。 |
subscription
|
path | True |
string |
ターゲット サブスクリプションの ID。 |
workspace
|
path | True |
string |
Azure Machine Learning ワークスペースの名前。 Regex pattern: |
api-version
|
query | True |
string |
この操作に使用する API バージョン。 |
要求本文
名前 | 必須 | 型 | 説明 |
---|---|---|---|
properties | True | JobBase: |
[必須]エンティティの追加の属性。 |
応答
名前 | 型 | 説明 |
---|---|---|
200 OK |
Createまたは更新要求が成功しました。 |
|
201 Created |
作成済み |
|
Other Status Codes |
エラー |
例
Create |
Create |
Create |
Create |
CreateOrUpdate AutoML Job.
Sample Request
PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2024-04-01
{
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"isArchived": false,
"identity": {
"identityType": "AMLToken"
},
"jobType": "AutoML",
"resources": {
"instanceCount": 1,
"instanceType": "string",
"properties": {
"string": {
"9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
}
}
},
"environmentId": "string",
"environmentVariables": {
"string": "string"
},
"taskDetails": {
"taskType": "ImageClassification",
"limitSettings": {
"maxTrials": 2
},
"targetColumnName": "string",
"trainingData": {
"jobInputType": "mltable",
"uri": "string"
},
"modelSettings": {
"validationCropSize": 2
},
"searchSpace": [
{
"validationCropSize": "choice(2, 360)"
}
]
},
"outputs": {
"string": {
"description": "string",
"uri": "string",
"mode": "ReadWriteMount",
"jobOutputType": "uri_file"
}
}
}
}
Sample Response
{
"id": "string",
"name": "string",
"type": "string",
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"status": "Scheduled",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"status": "string",
"errorMessage": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"isArchived": false,
"identity": {
"identityType": "AMLToken"
},
"jobType": "AutoML",
"resources": {
"instanceCount": 1,
"instanceType": "string",
"properties": {
"string": {
"9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
}
}
},
"environmentId": "string",
"environmentVariables": {
"string": "string"
},
"taskDetails": {
"taskType": "ImageClassification",
"limitSettings": {
"maxTrials": 2
},
"targetColumnName": "string",
"trainingData": {
"jobInputType": "mltable",
"uri": "string"
},
"modelSettings": {
"validationCropSize": 2
},
"searchSpace": [
{
"validationCropSize": "choice(2, 360)"
}
]
},
"outputs": {
"string": {
"description": "string",
"uri": "string",
"mode": "ReadWriteMount",
"jobOutputType": "uri_file"
}
}
},
"systemData": {
"createdAt": "2020-01-01T12:34:56.999Z",
"createdBy": "string",
"createdByType": "User",
"lastModifiedAt": "2020-01-01T12:34:56.999Z",
"lastModifiedBy": "string",
"lastModifiedByType": "ManagedIdentity"
}
}
{
"id": "string",
"name": "string",
"type": "string",
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"status": "Scheduled",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"status": "string",
"errorMessage": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"isArchived": false,
"identity": {
"identityType": "AMLToken"
},
"jobType": "AutoML",
"resources": {
"instanceCount": 1,
"instanceType": "string",
"properties": {
"string": {
"9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
}
}
},
"environmentId": "string",
"environmentVariables": {
"string": "string"
},
"taskDetails": {
"taskType": "ImageClassification",
"limitSettings": {
"maxTrials": 2
},
"targetColumnName": "string",
"trainingData": {
"jobInputType": "mltable",
"uri": "string"
},
"modelSettings": {
"validationCropSize": 2
},
"searchSpace": [
{
"validationCropSize": "choice(2, 360)"
}
]
},
"outputs": {
"string": {
"description": "string",
"uri": "string",
"mode": "ReadWriteMount",
"jobOutputType": "uri_file"
}
}
},
"systemData": {
"createdAt": "2020-01-01T12:34:56.999Z",
"createdBy": "string",
"createdByType": "User",
"lastModifiedAt": "2020-01-01T12:34:56.999Z",
"lastModifiedBy": "string",
"lastModifiedByType": "ManagedIdentity"
}
}
CreateOrUpdate Command Job.
Sample Request
PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2024-04-01
{
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"jobType": "Command",
"resources": {
"instanceCount": 1,
"instanceType": "string",
"properties": {
"string": {
"e6b6493e-7d5e-4db3-be1e-306ec641327e": null
}
}
},
"codeId": "string",
"command": "string",
"environmentId": "string",
"inputs": {
"string": {
"description": "string",
"jobInputType": "literal",
"value": "string"
}
},
"outputs": {
"string": {
"description": "string",
"jobOutputType": "uri_file",
"mode": "ReadWriteMount",
"uri": "string"
}
},
"distribution": {
"distributionType": "TensorFlow",
"workerCount": 1,
"parameterServerCount": 1
},
"limits": {
"timeout": "PT5M",
"jobLimitsType": "Command"
},
"environmentVariables": {
"string": "string"
},
"identity": {
"identityType": "AMLToken"
}
}
}
Sample Response
{
"id": "string",
"name": "string",
"type": "string",
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"status": "NotStarted",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"status": "string",
"errorMessage": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"jobType": "Command",
"resources": {
"instanceCount": 1,
"instanceType": "string",
"properties": {
"string": {
"a0847709-f5aa-4561-8ba5-d915d403fdcf": null
}
}
},
"codeId": "string",
"command": "string",
"environmentId": "string",
"inputs": {
"string": {
"description": "string",
"jobInputType": "literal",
"value": "string"
}
},
"outputs": {
"string": {
"description": "string",
"jobOutputType": "uri_file",
"mode": "ReadWriteMount",
"uri": "string"
}
},
"distribution": {
"distributionType": "TensorFlow",
"workerCount": 1,
"parameterServerCount": 1
},
"limits": {
"timeout": "PT5M",
"jobLimitsType": "Command"
},
"environmentVariables": {
"string": "string"
},
"identity": {
"identityType": "AMLToken"
},
"parameters": {
"string": "string"
}
},
"systemData": {
"createdAt": "2020-01-01T12:34:56.999Z",
"createdBy": "string",
"createdByType": "User",
"lastModifiedAt": "2020-01-01T12:34:56.999Z",
"lastModifiedBy": "string",
"lastModifiedByType": "User"
}
}
{
"id": "string",
"name": "string",
"type": "string",
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"status": "NotStarted",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"status": "string",
"errorMessage": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"jobType": "Command",
"resources": {
"instanceCount": 1,
"instanceType": "string",
"properties": {
"string": {
"b8163d40-c351-43d6-8a34-d0cd895b8a5a": null
}
}
},
"codeId": "string",
"command": "string",
"environmentId": "string",
"inputs": {
"string": {
"description": "string",
"jobInputType": "literal",
"value": "string"
}
},
"outputs": {
"string": {
"description": "string",
"jobOutputType": "uri_file",
"mode": "ReadWriteMount",
"uri": "string"
}
},
"distribution": {
"distributionType": "TensorFlow",
"workerCount": 1,
"parameterServerCount": 1
},
"limits": {
"timeout": "PT5M",
"jobLimitsType": "Command"
},
"environmentVariables": {
"string": "string"
},
"identity": {
"identityType": "AMLToken"
},
"parameters": {
"string": "string"
}
},
"systemData": {
"createdAt": "2020-01-01T12:34:56.999Z",
"createdBy": "string",
"createdByType": "User",
"lastModifiedAt": "2020-01-01T12:34:56.999Z",
"lastModifiedBy": "string",
"lastModifiedByType": "User"
}
}
CreateOrUpdate Pipeline Job.
Sample Request
PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2024-04-01
{
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"jobType": "Pipeline",
"settings": {},
"inputs": {
"string": {
"description": "string",
"jobInputType": "literal",
"value": "string"
}
},
"outputs": {
"string": {
"description": "string",
"jobOutputType": "uri_file",
"mode": "Upload",
"uri": "string"
}
}
}
}
Sample Response
{
"id": "string",
"name": "string",
"type": "string",
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"status": "NotStarted",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"status": "string",
"errorMessage": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"jobType": "Pipeline",
"settings": {},
"inputs": {
"string": {
"description": "string",
"jobInputType": "literal",
"value": "string"
}
},
"outputs": {
"string": {
"description": "string",
"jobOutputType": "uri_file",
"mode": "Upload",
"uri": "string"
}
}
},
"systemData": {
"createdAt": "2020-01-01T12:34:56.999Z",
"createdBy": "string",
"createdByType": "User",
"lastModifiedAt": "2020-01-01T12:34:56.999Z",
"lastModifiedBy": "string",
"lastModifiedByType": "User"
}
}
{
"id": "string",
"name": "string",
"type": "string",
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"status": "NotStarted",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"status": "string",
"errorMessage": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"jobType": "Pipeline",
"settings": {},
"inputs": {
"string": {
"description": "string",
"jobInputType": "literal",
"value": "string"
}
},
"outputs": {
"string": {
"description": "string",
"jobOutputType": "uri_file",
"mode": "Upload",
"uri": "string"
}
}
},
"systemData": {
"createdAt": "2020-01-01T12:34:56.999Z",
"createdBy": "string",
"createdByType": "User",
"lastModifiedAt": "2020-01-01T12:34:56.999Z",
"lastModifiedBy": "string",
"lastModifiedByType": "User"
}
}
CreateOrUpdate Sweep Job.
Sample Request
PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2024-04-01
{
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"jobType": "Sweep",
"samplingAlgorithm": {
"samplingAlgorithmType": "Grid"
},
"limits": {
"jobLimitsType": "Sweep",
"maxTotalTrials": 1,
"maxConcurrentTrials": 1,
"trialTimeout": "PT1S"
},
"earlyTermination": {
"evaluationInterval": 1,
"delayEvaluation": 1,
"policyType": "MedianStopping"
},
"objective": {
"primaryMetric": "string",
"goal": "Minimize"
},
"trial": {
"codeId": "string",
"command": "string",
"environmentId": "string",
"environmentVariables": {
"string": "string"
},
"distribution": {
"distributionType": "Mpi",
"processCountPerInstance": 1
},
"resources": {
"instanceCount": 1,
"instanceType": "string",
"properties": {
"string": {
"e6b6493e-7d5e-4db3-be1e-306ec641327e": null
}
}
}
},
"searchSpace": {
"string": {}
}
}
}
Sample Response
{
"id": "string",
"name": "string",
"type": "string",
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"status": "NotStarted",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"status": "string",
"errorMessage": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"jobType": "Sweep",
"samplingAlgorithm": {
"samplingAlgorithmType": "Grid"
},
"limits": {
"jobLimitsType": "Sweep",
"maxTotalTrials": 1,
"maxConcurrentTrials": 1,
"trialTimeout": "PT1S"
},
"earlyTermination": {
"evaluationInterval": 1,
"delayEvaluation": 1,
"policyType": "MedianStopping"
},
"objective": {
"primaryMetric": "string",
"goal": "Minimize"
},
"trial": {
"codeId": "string",
"command": "string",
"environmentId": "string",
"environmentVariables": {
"string": "string"
},
"distribution": {
"distributionType": "Mpi",
"processCountPerInstance": 1
},
"resources": {
"instanceCount": 1,
"instanceType": "string",
"properties": {
"string": {
"e6b6493e-7d5e-4db3-be1e-306ec641327e": null
}
}
}
},
"searchSpace": {
"string": {}
}
},
"systemData": {
"createdAt": "2020-01-01T12:34:56.999Z",
"createdBy": "string",
"createdByType": "User",
"lastModifiedAt": "2020-01-01T12:34:56.999Z",
"lastModifiedBy": "string",
"lastModifiedByType": "User"
}
}
{
"id": "string",
"name": "string",
"type": "string",
"properties": {
"description": "string",
"tags": {
"string": "string"
},
"properties": {
"string": "string"
},
"displayName": "string",
"status": "NotStarted",
"experimentName": "string",
"services": {
"string": {
"jobServiceType": "string",
"port": 1,
"endpoint": "string",
"status": "string",
"errorMessage": "string",
"properties": {
"string": "string"
}
}
},
"computeId": "string",
"jobType": "Sweep",
"samplingAlgorithm": {
"samplingAlgorithmType": "Grid"
},
"limits": {
"jobLimitsType": "Sweep",
"maxTotalTrials": 1,
"maxConcurrentTrials": 1,
"trialTimeout": "PT1S"
},
"earlyTermination": {
"evaluationInterval": 1,
"delayEvaluation": 1,
"policyType": "MedianStopping"
},
"objective": {
"primaryMetric": "string",
"goal": "Minimize"
},
"trial": {
"codeId": "string",
"command": "string",
"environmentId": "string",
"environmentVariables": {
"string": "string"
},
"distribution": {
"distributionType": "Mpi",
"processCountPerInstance": 1
},
"resources": {
"instanceCount": 1,
"instanceType": "string",
"properties": {
"string": {
"e6b6493e-7d5e-4db3-be1e-306ec641327e": null
}
}
}
},
"searchSpace": {
"string": {}
}
},
"systemData": {
"createdAt": "2020-01-01T12:34:56.999Z",
"createdBy": "string",
"createdByType": "User",
"lastModifiedAt": "2020-01-01T12:34:56.999Z",
"lastModifiedBy": "string",
"lastModifiedByType": "User"
}
}
定義
名前 | 説明 |
---|---|
All |
すべてのノードは、サービスがジョブのすべてのノードで実行されることを意味します |
Aml |
AML トークン ID の構成。 |
Auto |
予測期間は、システムによって自動的に決定されます。 |
Auto |
AutoMLJob クラス。 分類や回帰などの AutoML タスクを実行するには、このクラスを使用します。サポートされているすべてのタスクについては、「TaskType 列挙型」を参照してください。 |
Auto |
N クロス検証は自動的に決定されます。 |
Auto |
|
Auto |
|
Auto |
ターゲットラグローリングウィンドウは自動的に決定されます。 |
Azure |
Azure DevOps に固有の Webhook の詳細 |
Bandit |
余裕期間の条件に基づいて早期終了ポリシーを定義し、評価の頻度と遅延間隔を定義します |
Bayesian |
前の値に基づいて値を生成するサンプリング アルゴリズムを定義します |
Blocked |
AutoML でサポートされているすべての分類モデルの列挙型。 |
Classification |
AutoML テーブルの垂直の分類タスク。 |
Classification |
AutoML でサポートされているすべての分類モデルの列挙型。 |
Classification |
分類マルチラベル タスクの主要なメトリック。 |
Classification |
分類タスクの主要なメトリック。 |
Classification |
分類トレーニング関連の構成。 |
Command |
コマンド ジョブ定義。 |
Command |
コマンド ジョブ制限クラス。 |
created |
リソースを作成した ID の種類。 |
Custom |
時系列頻度を単位にした目的の最大予測期間。 |
Custom |
|
Custom |
|
Custom |
N クロス検証はユーザーによって指定されます。 |
Custom |
|
Custom |
|
Custom |
|
Distribution |
ジョブの分散の種類を決定する列挙型。 |
Early |
|
Email |
電子メール通知の種類を決定する列挙型。 |
Error |
リソース管理エラーの追加情報。 |
Error |
エラーの詳細。 |
Error |
エラー応答 |
Feature |
数値特徴のラグを生成するためのフラグ。 |
Featurization |
特徴量化モード - データ特徴量化モードを決定します。 |
Forecast |
予測期間の選択モードを決定する列挙型。 |
Forecasting |
AutoML テーブルの垂直方向の予測タスク。 |
Forecasting |
AutoML でサポートされているすべての予測モデルの列挙型。 |
Forecasting |
予測タスクの主要なメトリック。 |
Forecasting |
特定のパラメーターの予測。 |
Forecasting |
予測トレーニング関連の構成。 |
Goal |
ハイパーパラメーターチューニングでサポートされるメトリック目標を定義します |
Grid |
空間内のすべての値の組み合わせを徹底的に生成するサンプリング アルゴリズムを定義します |
Identity |
ID フレームワークを決定する列挙型。 |
Image |
画像の分類。 複数クラスの画像分類は、一連のクラスから 1 つのラベルのみで画像が分類される場合に使用されます。たとえば、各画像は "cat" または "dog" または "duck" の画像として分類されます。 |
Image |
画像分類マルチラベル。 複数ラベルの画像分類は、画像が一連のラベルから 1 つ以上のラベルを持つことができる場合に使用されます。たとえば、画像を "cat" と "dog" の両方でラベル付けできます。 |
Image |
イメージ インスタンスのセグメント化。 インスタンスのセグメント化は、画像内のオブジェクトをピクセル レベルで識別し、画像内の各オブジェクトの周りに多角形を描画するために使用されます。 |
Image |
AutoML ジョブの設定を制限します。 |
Image |
モデル設定の値をスイープする分布式。 いくつかの例を次に示します。
|
Image |
モデル設定の値をスイープする分布式。 いくつかの例を次に示します。
|
Image |
モデルのトレーニングに使用される設定。 使用可能な設定の詳細については、公式ドキュメントを参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models |
Image |
モデルのトレーニングに使用される設定。 使用可能な設定の詳細については、公式ドキュメントを参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models |
Image |
画像オブジェクトの検出。 物体検出は、画像内のオブジェクトを識別し、境界ボックスを持つ各オブジェクトを見つけるために使用されます。たとえば、画像内のすべての犬と猫を見つけて、それぞれの周りに境界ボックスを描画します。 |
Image |
モデル スイープとハイパーパラメーター スイープ関連の設定。 |
Input |
入力データ配信モードを決定する列挙型。 |
Instance |
InstanceSegmentation タスクのプライマリ メトリック。 |
Job |
Azure Resource Manager リソース エンベロープ。 |
Job |
ジョブ入力の種類を決定する列挙型。 |
Job |
|
Job |
ジョブ出力の種類を決定する列挙型。 |
Job |
|
Job |
ジョブ エンドポイントの定義 |
Job |
ジョブの状態。 |
Job |
ジョブ層を決定する列挙型。 |
Job |
ジョブの種類を決定する列挙型。 |
Learning |
学習率スケジューラ列挙型。 |
Literal |
リテラル入力の種類。 |
Log |
ログの詳細度を設定するための列挙型。 |
Managed |
マネージド ID の構成。 |
Median |
すべての実行のプライマリ メトリックの実行平均に基づいて早期終了ポリシーを定義します |
MLFlow |
|
MLFlow |
|
MLTable |
|
MLTable |
|
Model |
イメージ モデルのサイズ。 |
Mpi |
MPI ディストリビューションの構成。 |
NCross |
N クロス検証値の決定方法を決定します。 |
Nlp |
|
Nlp |
ジョブ実行の制約。 |
Nodes |
ノード値の列挙型 |
Notification |
通知の構成。 |
Object |
Image ObjectDetection タスクのプライマリ メトリック。 |
Objective |
最適化の目的。 |
Output |
出力データ配信モード列挙型。 |
Pipeline |
パイプライン ジョブ定義: ジェネリックから MFE 属性を定義します。 |
Py |
PyTorch ディストリビューションの構成。 |
Queue |
|
Random |
値をランダムに生成するサンプリング アルゴリズムを定義します |
Random |
ランダム アルゴリズムの特定の種類 |
Regression |
AutoML テーブルの垂直方向の回帰タスク。 |
Regression |
AutoML でサポートされているすべての回帰モデルの列挙型。 |
Regression |
回帰タスクの主なメトリック。 |
Regression |
回帰トレーニング関連の構成。 |
Sampling |
|
Seasonality |
季節性モードの予測。 |
Short |
AutoML で短い時系列を処理する方法を定義するパラメーター。 |
Spark |
Spark ジョブ定義。 |
Spark |
|
Spark |
|
Spark |
|
Spark |
|
Stack |
StackEnsemble の実行をカスタマイズするための設定を進めます。 |
Stack |
メタ学習者は、個々の異種モデルの出力でトレーニングされたモデルです。 既定のメタ学習者は、分類タスク (またはクロス検証が有効な場合は LogisticRegressionCV) の場合は LogisticRegression、回帰/予測タスクの場合は ElasticNet (クロス検証が有効な場合は ElasticNetCV) です。 このパラメーターには、LogisticRegression、LogisticRegressionCV、LightGBMClassifier、ElasticNet、ElasticNetCV、LightGBMRegressor、LinearRegression のいずれかの文字列を指定できます。 |
Stochastic |
イメージ モデルの確率オプティマイザー。 |
Sweep |
スイープ ジョブ定義。 |
Sweep |
スイープ ジョブ制限クラス。 |
system |
リソースの作成と最後の変更に関連するメタデータ。 |
Table |
特徴付けの構成。 |
Table |
ジョブ実行の制約。 |
Target |
ターゲット集計関数。 |
Target |
ターゲットラグ選択モード。 |
Target |
ローリング ウィンドウ サイズ モードをターゲットにします。 |
Task |
AutoMLJob タスクの種類。 |
Tensor |
TensorFlow ディストリビューションの構成。 |
Text |
AutoML NLP 縦書きのテキスト分類タスク。 NLP - 自然言語処理。 |
Text |
AutoML NLP 縦書きのテキスト分類マルチラベル タスク。 NLP - 自然言語処理。 |
Text |
AutoML NLP 縦書きのテキスト NER タスク。 NER - 名前付きエンティティ認識。 NLP - 自然言語処理。 |
Trial |
試用版コンポーネントの定義。 |
Triton |
|
Triton |
|
Truncation |
指定された割合の実行を評価間隔ごとに取り消す早期終了ポリシーを定義します。 |
Uri |
|
Uri |
|
Uri |
|
Uri |
|
User |
ユーザー ID の構成。 |
Use |
時系列ターゲット列の STL 分解を構成します。 |
Validation |
画像タスクの検証メトリックに使用するメトリック計算方法。 |
Webhook |
Webhook コールバック サービスの種類を決定する列挙型。 |
AllNodes
すべてのノードは、サービスがジョブのすべてのノードで実行されることを意味します
名前 | 型 | 説明 |
---|---|---|
nodesValueType |
string:
All |
[必須]Nodes 値の種類 |
AmlToken
AML トークン ID の構成。
名前 | 型 | 説明 |
---|---|---|
identityType |
string:
AMLToken |
[必須]ID フレームワークの種類を指定します。 |
AutoForecastHorizon
予測期間は、システムによって自動的に決定されます。
名前 | 型 | 説明 |
---|---|---|
mode |
string:
Auto |
[必須]予測期間値の選択モードを設定します。 |
AutoMLJob
AutoMLJob クラス。 分類や回帰などの AutoML タスクを実行するには、このクラスを使用します。サポートされているすべてのタスクについては、「TaskType 列挙型」を参照してください。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
componentId |
string |
コンポーネント リソースの ARM リソース ID。 |
|
computeId |
string |
コンピューティング リソースの ARM リソース ID。 |
|
description |
string |
資産の説明テキスト。 |
|
displayName |
string |
ジョブの表示名。 |
|
environmentId |
string |
ジョブの環境仕様の ARM リソース ID。 これは省略可能な値であり、指定されていない場合、AutoML はジョブの実行時に既定で運用環境の AutoML キュレーション環境バージョンに設定されます。 |
|
environmentVariables |
object |
ジョブに含まれる環境変数。 |
|
experimentName |
string |
Default |
ジョブが属する実験の名前。 設定されていない場合、ジョブは "Default" 実験に配置されます。 |
identity | IdentityConfiguration: |
ID の構成。 設定する場合は、AmlToken、ManagedIdentity、UserIdentity、または null のいずれかである必要があります。 null の場合、既定値は AmlToken になります。 |
|
isArchived |
boolean |
False |
資産はアーカイブされていますか? |
jobType |
string:
AutoML |
[必須]ジョブの種類を指定します。 |
|
notificationSetting |
ジョブの通知設定 |
||
outputs |
object |
ジョブで使用される出力データ バインディングのマッピング。 |
|
properties |
object |
資産プロパティ ディクショナリ。 |
|
queueSettings |
ジョブのキュー設定 |
||
resources | {} |
ジョブのコンピューティング リソースの構成。 |
|
services |
<string,
Job |
JobEndpoints の一覧。 ローカル ジョブの場合、ジョブ エンドポイントのエンドポイント値は FileStreamObject になります。 |
|
status |
ジョブの状態。 |
||
tags |
object |
タグ辞書。 タグは追加、削除、更新できます。 |
|
taskDetails | AutoMLVertical: |
[必須]これは、Tables/NLP/Image のいずれかである可能性があるシナリオを表します |
AutoNCrossValidations
N クロス検証は自動的に決定されます。
名前 | 型 | 説明 |
---|---|---|
mode |
string:
Auto |
[必須]N クロス検証を決定するためのモード。 |
AutoSeasonality
名前 | 型 | 説明 |
---|---|---|
mode |
string:
Auto |
[必須]季節性モード。 |
AutoTargetLags
名前 | 型 | 説明 |
---|---|---|
mode |
string:
Auto |
[必須]ターゲット ラグ モードの設定 - 自動/カスタム |
AutoTargetRollingWindowSize
ターゲットラグローリングウィンドウは自動的に決定されます。
名前 | 型 | 説明 |
---|---|---|
mode |
string:
Auto |
[必須]TargetRollingWindowSiz 検出モード。 |
AzureDevOpsWebhook
Azure DevOps に固有の Webhook の詳細
名前 | 型 | 説明 |
---|---|---|
eventType |
string |
指定した通知イベントでコールバックを送信する |
webhookType |
string:
Azure |
[必須]コールバックを送信するサービスの種類を指定します |
BanditPolicy
余裕期間の条件に基づいて早期終了ポリシーを定義し、評価の頻度と遅延間隔を定義します
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
delayEvaluation |
integer |
0 |
最初の評価を遅らせる間隔の数。 |
evaluationInterval |
integer |
0 |
ポリシー評価間の間隔 (実行数)。 |
policyType |
string:
Bandit |
[必須]ポリシー構成の名前 |
|
slackAmount |
number |
0 |
最高のパフォーマンスを発揮する実行から許容される絶対距離。 |
slackFactor |
number |
0 |
最もパフォーマンスの高い実行からの許可された距離の比率。 |
BayesianSamplingAlgorithm
前の値に基づいて値を生成するサンプリング アルゴリズムを定義します
名前 | 型 | 説明 |
---|---|---|
samplingAlgorithmType |
string:
Bayesian |
[必須]構成プロパティと共にハイパーパラメーター値を生成するために使用されるアルゴリズム |
BlockedTransformers
AutoML でサポートされているすべての分類モデルの列挙型。
名前 | 型 | 説明 |
---|---|---|
CatTargetEncoder |
string |
カテゴリ データのターゲット エンコード。 |
CountVectorizer |
string |
Count Vectorizer は、テキスト ドキュメントのコレクションをトークン数のマトリックスに変換します。 |
HashOneHotEncoder |
string |
One Hot Encoder をハッシュすると、カテゴリ変数を限られた数の新機能に変換できます。 これは、多くの場合、カーディナリティの高いカテゴリ特徴に使用されます。 |
LabelEncoder |
string |
ラベル エンコーダーは、ラベル/カテゴリ変数を数値形式で変換します。 |
NaiveBayes |
string |
Naive Bayes は分類され、カテゴリ別に分散される個別の特徴の分類に使用されます。 |
OneHotEncoder |
string |
Ohe ホット エンコードでは、バイナリ特徴変換が作成されます。 |
TextTargetEncoder |
string |
テキスト データのターゲット エンコード。 |
TfIdf |
string |
Tf-Idf は、用語頻度時間逆ドキュメント頻度を表します。 これは、ドキュメントから情報を識別するための一般的な用語重み付けスキームです。 |
WoETargetEncoder |
string |
Evidence エンコードの重みは、カテゴリ変数をエンコードするために使用される手法です。 P(1)/P(0) の自然対数を使用して重みを作成します。 |
WordEmbedding |
string |
Word埋め込みは、単語または語句をベクトルまたは一連の数値として表すのに役立ちます。 |
Classification
AutoML テーブルの垂直の分類タスク。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
cvSplitColumnNames |
string[] |
CVSplit データに使用する列。 |
|
featurizationSettings |
AutoML ジョブに必要な特徴付け入力。 |
||
limitSettings |
AutoMLJob の実行制約。 |
||
logVerbosity | Info |
ジョブの詳細度をログに記録します。 |
|
nCrossValidations | NCrossValidations: |
検証データセットが指定されていない場合にトレーニング データセットに適用されるクロス検証フォールドの数。 |
|
positiveLabel |
string |
バイナリ メトリック計算の正のラベル。 |
|
primaryMetric | AUCWeighted |
タスクのプライマリ メトリック。 |
|
targetColumnName |
string |
ターゲット列名: これは予測値列です。 分類タスクのコンテキストではラベル列名とも呼ばれます。 |
|
taskType | string: |
[必須]AutoMLJob のタスクの種類。 |
|
testData |
データ入力をテストします。 |
||
testDataSize |
number |
検証のために確保する必要があるテスト データセットの割合。 (0.0 , 1.0) の間の値検証データセットが指定されていない場合に適用されます。 |
|
trainingData |
[必須]トレーニング データの入力。 |
||
trainingSettings |
AutoML ジョブのトレーニング フェーズの入力。 |
||
validationData |
検証データの入力。 |
||
validationDataSize |
number |
検証のために確保する必要があるトレーニング データセットの割合。 (0.0 , 1.0) の間の値検証データセットが指定されていない場合に適用されます。 |
|
weightColumnName |
string |
サンプルの重み列の名前。 自動 ML では、入力として重み付け列がサポートされているため、データ内の行が重み付けされます。 |
ClassificationModels
AutoML でサポートされているすべての分類モデルの列挙型。
名前 | 型 | 説明 |
---|---|---|
BernoulliNaiveBayes |
string |
多変量ベルヌーイ モデルの Naive Bayes 分類子。 |
DecisionTree |
string |
デシジョン ツリーは、分類タスクと回帰タスクの両方に使用されるノンパラメトリック教師あり学習方法です。 目標は、データ特徴から推論された単純な決定ルールを学習することによって、ターゲット変数の値を予測するモデルを作成することです。 |
ExtremeRandomTrees |
string |
Extreme Trees は、多くのデシジョン ツリーからの予測を組み合わせたアンサンブル機械学習アルゴリズムです。 これは、広く使用されているランダム フォレスト アルゴリズムに関連しています。 |
GradientBoosting |
string |
週の学習者を強力な学習者に転送する手法は Boosting と呼ばれます。 勾配ブースティング アルゴリズム プロセスは、この実行理論に対して機能します。 |
KNN |
string |
K ニアレスト ネイバー (KNN) アルゴリズムは、"特徴類似性" を使用して新しいデータ ポイントの値を予測します。つまり、トレーニング セット内のポイントとどの程度一致するかに基づいて、新しいデータ ポイントに値が割り当てられることを意味します。 |
LightGBM |
string |
LightGBM は、ツリー ベースの学習アルゴリズムを使用する勾配ブースティング フレームワークです。 |
LinearSVM |
string |
サポート ベクター マシン (SVM) は、2 グループ分類の問題に分類アルゴリズムを使用する教師あり機械学習モデルです。 カテゴリごとにラベル付けされたトレーニング データの SVM モデル セットを指定すると、新しいテキストを分類できます。 線形 SVM は、入力データが線形である場合に最適に実行されます。つまり、データは、プロットされたグラフに分類された値の間の直線を描画することによって簡単に分類できます。 |
LogisticRegression |
string |
ロジスティック回帰は、基本的な分類手法です。 これは線形分類子のグループに属し、多項式と線形回帰にやや似ています。 ロジスティック回帰は高速で比較的複雑でなく、結果を解釈すると便利です。 基本的には二項分類のメソッドですが、多クラスの問題にも適用できます。 |
MultinomialNaiveBayes |
string |
多項式 Naive Bayes 分類子は、不連続の特徴 (テキスト分類の単語数など) を使用した分類に適しています。 多項分布には通常、整数の特徴数が必要です。 ただし、実際には、tf-idf などの小数部のカウントも機能する可能性があります。 |
RandomForest |
string |
ランダム フォレストは、教師あり学習アルゴリズムです。 構築する "フォレスト" はデシジョン ツリーのアンサンブルであり、通常は "バギング" メソッドでトレーニングされます。 バギング方法の一般的な考え方は、学習モデルの組み合わせによって全体的な結果が増加することです。 |
SGD |
string |
SGD: 確率勾配降下法は、機械学習アプリケーションでよく使用される最適化アルゴリズムであり、予測出力と実際の出力の最適な適合に対応するモデル パラメーターを検索します。 |
SVM |
string |
サポート ベクター マシン (SVM) は、2 グループ分類の問題に分類アルゴリズムを使用する教師あり機械学習モデルです。 カテゴリごとにラベル付けされたトレーニング データの SVM モデル セットを指定すると、新しいテキストを分類できます。 |
XGBoostClassifier |
string |
XGBoost: 極端な勾配ブースティング アルゴリズム。 このアルゴリズムは、ターゲット列の値を個別のクラス値に分割できる構造化データに使用されます。 |
ClassificationMultilabelPrimaryMetrics
分類マルチラベル タスクの主要なメトリック。
名前 | 型 | 説明 |
---|---|---|
AUCWeighted |
string |
AUC は曲線の下の領域です。 このメトリックは、各クラスのスコアの算術平均を表し、各クラスの true インスタンスの数で重み付けされます。 |
Accuracy |
string |
精度は、true クラス ラベルと正確に一致する予測の割合です。 |
AveragePrecisionScoreWeighted |
string |
各クラスの平均有効桁数スコアの算術平均。各クラスの true インスタンスの数で重み付けされます。 |
IOU |
string |
和集合上の交差。 予測の積集合を予測の和集合で割った値。 |
NormMacroRecall |
string |
正規化されたマクロ再現率は、ランダムなパフォーマンスでのスコアが 0、最適なパフォーマンスでのスコアが 1 になるように、マクロ平均化および正規化された再現率です。 |
PrecisionScoreWeighted |
string |
各クラスの真のインスタンスの数で重み付けされた、各クラスの有効桁数の算術平均。 |
ClassificationPrimaryMetrics
分類タスクの主要なメトリック。
名前 | 型 | 説明 |
---|---|---|
AUCWeighted |
string |
AUC は曲線の下の領域です。 このメトリックは、各クラスのスコアの算術平均を表し、各クラスの true インスタンスの数で重み付けされます。 |
Accuracy |
string |
精度は、true クラス ラベルと正確に一致する予測の割合です。 |
AveragePrecisionScoreWeighted |
string |
各クラスの平均有効桁数スコアの算術平均。各クラスの true インスタンスの数で重み付けされます。 |
NormMacroRecall |
string |
正規化されたマクロ再現率は、ランダムなパフォーマンスでのスコアが 0、最適なパフォーマンスでのスコアが 1 になるように、マクロ平均化および正規化された再現率です。 |
PrecisionScoreWeighted |
string |
各クラスの真のインスタンスの数で重み付けされた、各クラスの有効桁数の算術平均。 |
ClassificationTrainingSettings
分類トレーニング関連の構成。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
allowedTrainingAlgorithms |
分類タスクに使用できるモデル。 |
||
blockedTrainingAlgorithms |
分類タスクのブロックされたモデル。 |
||
enableDnnTraining |
boolean |
False |
DNN モデルの推奨事項を有効にします。 |
enableModelExplainability |
boolean |
True |
最適なモデルで説明性を有効にするフラグ。 |
enableOnnxCompatibleModels |
boolean |
False |
onnx 互換モデルを有効にするフラグ。 |
enableStackEnsemble |
boolean |
True |
スタック アンサンブルの実行を有効にします。 |
enableVoteEnsemble |
boolean |
True |
投票アンサンブルの実行を有効にします。 |
ensembleModelDownloadTimeout |
string |
PT5M |
VotingEnsemble モデルと StackEnsemble モデルの生成中に、前の子実行から複数の適合モデルがダウンロードされます。 より長い時間が必要な場合は、このパラメーターを 300 秒より大きい値に設定します。 |
stackEnsembleSettings |
スタック アンサンブル実行のスタック アンサンブル設定。 |
CommandJob
コマンド ジョブ定義。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
codeId |
string |
コード資産の ARM リソース ID。 |
|
command |
string |
[必須]ジョブの起動時に実行するコマンド。 例: "python train.py" |
|
componentId |
string |
コンポーネント リソースの ARM リソース ID。 |
|
computeId |
string |
コンピューティング リソースの ARM リソース ID。 |
|
description |
string |
資産の説明テキスト。 |
|
displayName |
string |
ジョブの表示名。 |
|
distribution | DistributionConfiguration: |
ジョブの配布構成。 設定する場合は、Mpi、Tensorflow、PyTorch、または null のいずれかである必要があります。 |
|
environmentId |
string |
[必須]ジョブの環境仕様の ARM リソース ID。 |
|
environmentVariables |
object |
ジョブに含まれる環境変数。 |
|
experimentName |
string |
Default |
ジョブが属する実験の名前。 設定されていない場合、ジョブは "Default" 実験に配置されます。 |
identity | IdentityConfiguration: |
ID の構成。 設定する場合は、AmlToken、ManagedIdentity、UserIdentity、または null のいずれかである必要があります。 null の場合、既定値は AmlToken になります。 |
|
inputs |
object |
ジョブで使用される入力データ バインディングのマッピング。 |
|
isArchived |
boolean |
False |
資産はアーカイブされていますか? |
jobType |
string:
Command |
[必須]ジョブの種類を指定します。 |
|
limits |
コマンド ジョブの制限。 |
||
notificationSetting |
ジョブの通知設定 |
||
outputs |
object |
ジョブで使用される出力データ バインディングのマッピング。 |
|
parameters |
object |
入力パラメーター。 |
|
properties |
object |
資産プロパティ ディクショナリ。 |
|
queueSettings |
ジョブのキュー設定 |
||
resources | {} |
ジョブのコンピューティング リソースの構成。 |
|
services |
<string,
Job |
JobEndpoints の一覧。 ローカル ジョブの場合、ジョブ エンドポイントのエンドポイント値は FileStreamObject になります。 |
|
status |
ジョブの状態。 |
||
tags |
object |
タグ辞書。 タグは追加、削除、更新できます。 |
CommandJobLimits
コマンド ジョブ制限クラス。
名前 | 型 | 説明 |
---|---|---|
jobLimitsType |
string:
Command |
[必須]JobLimit 型。 |
timeout |
string |
ISO 8601 形式の最大実行時間。その後、ジョブは取り消されます。 有効桁数が秒の期間のみをサポートします。 |
createdByType
リソースを作成した ID の種類。
名前 | 型 | 説明 |
---|---|---|
Application |
string |
|
Key |
string |
|
ManagedIdentity |
string |
|
User |
string |
CustomForecastHorizon
時系列頻度を単位にした目的の最大予測期間。
名前 | 型 | 説明 |
---|---|---|
mode |
string:
Custom |
[必須]予測期間値の選択モードを設定します。 |
value |
integer |
[必須]予測期間の値。 |
CustomModelJobInput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
入力の説明。 |
|
jobInputType |
string:
custom_model |
[必須]ジョブの種類を指定します。 |
|
mode | ReadOnlyMount |
入力アセット配信モード。 |
|
uri |
string |
[必須]入力アセット URI。 |
CustomModelJobOutput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
出力の説明。 |
|
jobOutputType |
string:
custom_model |
[必須]ジョブの種類を指定します。 |
|
mode | ReadWriteMount |
出力資産配信モード。 |
|
uri |
string |
出力アセット URI。 |
CustomNCrossValidations
N クロス検証はユーザーによって指定されます。
名前 | 型 | 説明 |
---|---|---|
mode |
string:
Custom |
[必須]N クロス検証を決定するためのモード。 |
value |
integer |
[必須]N クロス検証値。 |
CustomSeasonality
名前 | 型 | 説明 |
---|---|---|
mode |
string:
Custom |
[必須]季節性モード。 |
value |
integer |
[必須]季節性の値。 |
CustomTargetLags
名前 | 型 | 説明 |
---|---|---|
mode |
string:
Custom |
[必須]ターゲット ラグ モードの設定 - 自動/カスタム |
values |
integer[] |
[必須]ターゲットラグ値を設定します。 |
CustomTargetRollingWindowSize
名前 | 型 | 説明 |
---|---|---|
mode |
string:
Custom |
[必須]TargetRollingWindowSiz 検出モード。 |
value |
integer |
[必須]TargetRollingWindowSize 値。 |
DistributionType
ジョブの分散の種類を決定する列挙型。
名前 | 型 | 説明 |
---|---|---|
Mpi |
string |
|
PyTorch |
string |
|
TensorFlow |
string |
EarlyTerminationPolicyType
名前 | 型 | 説明 |
---|---|---|
Bandit |
string |
|
MedianStopping |
string |
|
TruncationSelection |
string |
EmailNotificationEnableType
電子メール通知の種類を決定する列挙型。
名前 | 型 | 説明 |
---|---|---|
JobCancelled |
string |
|
JobCompleted |
string |
|
JobFailed |
string |
ErrorAdditionalInfo
リソース管理エラーの追加情報。
名前 | 型 | 説明 |
---|---|---|
info |
object |
追加情報。 |
type |
string |
追加情報の種類。 |
ErrorDetail
エラーの詳細。
名前 | 型 | 説明 |
---|---|---|
additionalInfo |
エラーの追加情報。 |
|
code |
string |
エラー コード。 |
details |
エラーの詳細です。 |
|
message |
string |
エラー メッセージ。 |
target |
string |
エラーのターゲット。 |
ErrorResponse
エラー応答
名前 | 型 | 説明 |
---|---|---|
error |
error オブジェクト。 |
FeatureLags
数値特徴のラグを生成するためのフラグ。
名前 | 型 | 説明 |
---|---|---|
Auto |
string |
システムによって機能のラグが自動生成されます。 |
None |
string |
機能のラグは生成されません。 |
FeaturizationMode
特徴量化モード - データ特徴量化モードを決定します。
名前 | 型 | 説明 |
---|---|---|
Auto |
string |
自動モードでは、システムはカスタム特徴付け入力なしで特徴量化を実行します。 |
Custom |
string |
カスタム特徴量化。 |
Off |
string |
特徴量化オフ。 "予測" タスクでは、この値を使用できません。 |
ForecastHorizonMode
予測期間の選択モードを決定する列挙型。
名前 | 型 | 説明 |
---|---|---|
Auto |
string |
予測期間が自動的に決定されます。 |
Custom |
string |
カスタム予測期間を使用します。 |
Forecasting
AutoML テーブルの垂直方向の予測タスク。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
cvSplitColumnNames |
string[] |
CVSplit データに使用する列。 |
|
featurizationSettings |
AutoML ジョブに必要な特徴付け入力。 |
||
forecastingSettings |
予測タスク固有の入力。 |
||
limitSettings |
AutoMLJob の実行制約。 |
||
logVerbosity | Info |
ジョブの詳細度をログに記録します。 |
|
nCrossValidations | NCrossValidations: |
検証データセットが指定されていない場合にトレーニング データセットに適用されるクロス検証フォールドの数。 |
|
primaryMetric | NormalizedRootMeanSquaredError |
予測タスクのプライマリ メトリック。 |
|
targetColumnName |
string |
ターゲット列名: これは予測値列です。 分類タスクのコンテキストではラベル列名とも呼ばれます。 |
|
taskType | string: |
[必須]AutoMLJob のタスクの種類。 |
|
testData |
データ入力をテストします。 |
||
testDataSize |
number |
検証のために確保する必要があるテスト データセットの割合。 (0.0 , 1.0) の間の値検証データセットが指定されていない場合に適用されます。 |
|
trainingData |
[必須]トレーニング データの入力。 |
||
trainingSettings |
AutoML ジョブのトレーニング フェーズの入力。 |
||
validationData |
検証データの入力。 |
||
validationDataSize |
number |
検証のために確保する必要があるトレーニング データセットの割合。 (0.0 , 1.0) の間の値検証データセットが指定されていない場合に適用されます。 |
|
weightColumnName |
string |
サンプルの重み列の名前。 自動 ML では、入力として重み付け列がサポートされているため、データ内の行が重み付けされます。 |
ForecastingModels
AutoML でサポートされているすべての予測モデルの列挙型。
名前 | 型 | 説明 |
---|---|---|
Arimax |
string |
説明変数 (ARIMAX) を使用した自動回帰統合移動平均モデルは、1 つ以上の自己回帰 (AR) 項および/または 1 つ以上の移動平均 (MA) 項を持つ重回帰モデルとして表示できます。 この方法は、データが静止/非固定の場合の予測に適しており、任意の種類のデータ パターン (レベル/傾向/季節性/循環性) を持つ多変量に適しています。 |
AutoArima |
string |
自動回帰統合移動平均 (ARIMA) モデルでは、時系列データと統計分析を使用してデータを解釈し、将来の予測を行います。 このモデルは、過去の値の時系列データを使用してデータを説明し、線形回帰を使用して予測を行います。 |
Average |
string |
平均予測モデルは、トレーニング データ内の各時系列のターゲット値の平均を繰り越すことによって予測を行います。 |
DecisionTree |
string |
デシジョン ツリーは、分類タスクと回帰タスクの両方に使用されるノンパラメトリック教師あり学習方法です。 目標は、データ特徴から推論された単純な決定ルールを学習することによって、ターゲット変数の値を予測するモデルを作成することです。 |
ElasticNet |
string |
エラスティック ネットは、一般的な 2 つのペナルティ (特に L1 と L2 のペナルティ関数) を組み合わせた一般的なタイプの正則化線形回帰です。 |
ExponentialSmoothing |
string |
指数平滑化は、一変量データの時系列予測方法であり、体系的な傾向または季節的なコンポーネントを持つデータをサポートするように拡張できます。 |
ExtremeRandomTrees |
string |
Extreme Trees は、多くのデシジョン ツリーからの予測を組み合わせたアンサンブル機械学習アルゴリズムです。 これは、広く使用されているランダム フォレスト アルゴリズムに関連しています。 |
GradientBoosting |
string |
週の学習者を強力な学習者に転送する手法は Boosting と呼ばれます。 勾配ブースティング アルゴリズム プロセスは、この実行理論に対して機能します。 |
KNN |
string |
K ニアレスト ネイバー (KNN) アルゴリズムは、"特徴類似性" を使用して新しいデータ ポイントの値を予測します。つまり、トレーニング セット内のポイントとどの程度一致するかに基づいて、新しいデータ ポイントに値が割り当てられることを意味します。 |
LassoLars |
string |
なげなわモデルは、最小角度回帰 (例: Lars) に適合します。 これは、正則化の前に L1 でトレーニングされた線形モデルです。 |
LightGBM |
string |
LightGBM は、ツリー ベースの学習アルゴリズムを使用する勾配ブースティング フレームワークです。 |
Naive |
string |
Naive 予測モデルでは、トレーニング データ内で時系列ごとに最新のターゲット値を繰り越して予測を行います。 |
Prophet |
string |
Prophet は、非線形傾向が年単位、週単位、および日単位の季節性に加えて休日の影響に適合する加法モデルに基づいて時系列データを予測する手順です。 季節的な影響が強く、いくつかの季節の履歴データを含む時系列で最適に機能します。 Prophetはデータの欠落やトレンドの変化に強く、通常は外れ値を適切に処理します。 |
RandomForest |
string |
ランダム フォレストは、教師あり学習アルゴリズムです。 構築する "フォレスト" はデシジョン ツリーのアンサンブルであり、通常は "バギング" メソッドでトレーニングされます。 バギング方法の一般的な考え方は、学習モデルの組み合わせによって全体的な結果が増加することです。 |
SGD |
string |
SGD: 確率勾配降下法は、機械学習アプリケーションでよく使用される最適化アルゴリズムであり、予測出力と実際の出力の最適な適合に対応するモデル パラメーターを検索します。 これは、非具体的だが強力な手法です。 |
SeasonalAverage |
string |
季節平均予測モデルは、トレーニング データ内の各時系列のデータの最新の季節の平均値を繰り越すことによって予測を行います。 |
SeasonalNaive |
string |
Seasonal Naive 予測モデルでは、トレーニング データ内で時系列ごとに最新の季節のターゲット値を繰り越して予測を行います。 |
TCNForecaster |
string |
TCNForecaster: テンポラル畳み込みネットワーク予測ツール。 TODO: 予測チームに簡単な概要を確認してください。 |
XGBoostRegressor |
string |
XGBoostRegressor: Extreme Gradient Boosting Regressor は、基本学習者のアンサンブルを使用した教師あり機械学習モデルです。 |
ForecastingPrimaryMetrics
予測タスクの主要なメトリック。
名前 | 型 | 説明 |
---|---|---|
NormalizedMeanAbsoluteError |
string |
正規化平均絶対誤差 (NMAE) は、(時間) 系列の平均絶対誤差 (MAE) と異なるスケールを比較するための検証メトリックです。 |
NormalizedRootMeanSquaredError |
string |
正規化された平方根平均二乗誤差 (NRMSE) は、異なるスケールを持つモデル間の比較を容易にします。 |
R2Score |
string |
R2 スコアは、予測ベースの機械学習モデルのパフォーマンス評価メジャーの 1 つです。 |
SpearmanCorrelation |
string |
スピアマンの順位相関係数は、ランク相関のノンパラメトリック尺度です。 |
ForecastingSettings
特定のパラメーターの予測。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
countryOrRegionForHolidays |
string |
予測タスクの休日の国または地域。 これらは、ISO 3166 の 2 文字の国または地域コード ("US" や "GB" など) である必要があります。 |
|
cvStepSize |
integer |
1 つの CV フォールドの原点時間から次のフォールドまでの期間の数。 たとえば、日単位のデータに対して = 3 の場合 |
|
featureLags | None |
'auto' または null を持つ数値特徴量のラグを生成するためのフラグ。 |
|
forecastHorizon | ForecastHorizon: | {"Mode": "Custom", "Value": 1} |
時系列頻度を単位にした目的の最大予測期間。 |
frequency |
string |
予測する場合、このパラメーターは、日単位、週単位、年単位など、予測が必要な期間を表します。予測頻度は、既定ではデータセットの頻度です。 |
|
seasonality | Seasonality: | {"Mode": "Auto"} |
時系列頻度の倍数 (整数) としての時系列の季節性を設定します。 'auto' に設定した場合、季節性は推論されます。 |
shortSeriesHandlingConfig | Auto |
AutoML で短い時系列を処理する方法を定義するパラメーター。 |
|
targetAggregateFunction | None |
ユーザー指定の頻度に従って時系列ターゲット列を集計するために使用する関数。 TargetAggregateFunction が 'None' ではなく設定されていても、freq パラメーターが設定されていない場合は、エラーが発生します。 使用可能なターゲット集計関数は、"sum"、"max"、"min"、"mean" です。 |
|
targetLags | TargetLags: |
ターゲット列からのラグとして指定する過去の期間の数。 |
|
targetRollingWindowSize | TargetRollingWindowSize: |
ターゲット列のローリング ウィンドウの平均を作成するために使用する過去の期間の数。 |
|
timeColumnName |
string |
時間列の名前。 このパラメーターは、時系列の構築とその頻度の推定に使用される入力データで、予測によって datetime 列を指定する場合に必要です。 |
|
timeSeriesIdColumnNames |
string[] |
時系列をグループ化するために使用される列の名前。 複数の系列を作成するために使用できます。 グレインが定義されていない場合、データ セットは 1 つの時系列であると見なされます。 このパラメーターは、タスクの種類の予測で使用します。 |
|
useStl | None |
時系列ターゲット列の STL 分解を構成します。 |
ForecastingTrainingSettings
予測トレーニング関連の構成。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
allowedTrainingAlgorithms |
予測タスクに使用できるモデル。 |
||
blockedTrainingAlgorithms |
予測タスクのブロックされたモデル。 |
||
enableDnnTraining |
boolean |
False |
DNN モデルの推奨事項を有効にします。 |
enableModelExplainability |
boolean |
True |
最適なモデルで説明性を有効にするフラグ。 |
enableOnnxCompatibleModels |
boolean |
False |
onnx 互換モデルを有効にするフラグ。 |
enableStackEnsemble |
boolean |
True |
スタック アンサンブル実行を有効にします。 |
enableVoteEnsemble |
boolean |
True |
投票アンサンブル実行を有効にします。 |
ensembleModelDownloadTimeout |
string |
PT5M |
VotingEnsemble と StackEnsemble モデルの生成中に、前の子実行から複数の適合モデルがダウンロードされます。 より長い時間が必要な場合は、このパラメーターを 300 秒より大きい値に設定します。 |
stackEnsembleSettings |
スタック アンサンブル実行のスタック アンサンブル設定。 |
Goal
ハイパーパラメーターチューニングでサポートされるメトリック目標を定義します
名前 | 型 | 説明 |
---|---|---|
Maximize |
string |
|
Minimize |
string |
GridSamplingAlgorithm
空間内のすべての値の組み合わせを徹底的に生成するサンプリング アルゴリズムを定義します
名前 | 型 | 説明 |
---|---|---|
samplingAlgorithmType |
string:
Grid |
[必須]構成プロパティと共にハイパーパラメーター値を生成するために使用されるアルゴリズム |
IdentityConfigurationType
ID フレームワークを決定する列挙型。
名前 | 型 | 説明 |
---|---|---|
AMLToken |
string |
|
Managed |
string |
|
UserIdentity |
string |
ImageClassification
画像の分類。 複数クラスの画像分類は、一連のクラスから 1 つのラベルのみで画像が分類される場合に使用されます。たとえば、各画像は "cat" または "dog" または "duck" の画像として分類されます。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
limitSettings |
[必須]AutoML ジョブの設定を制限します。 |
||
logVerbosity | Info |
ジョブの詳細度をログに記録します。 |
|
modelSettings |
モデルのトレーニングに使用される設定。 |
||
primaryMetric | Accuracy |
このタスク用に最適化する主なメトリック。 |
|
searchSpace |
Searchモデルとそのハイパーパラメーターのさまざまな組み合わせをサンプリングするためのスペースです。 |
||
sweepSettings |
モデル スイープとハイパーパラメーター スイープ関連の設定。 |
||
targetColumnName |
string |
ターゲット列名: これは予測値列です。 分類タスクのコンテキストではラベル列名とも呼ばれます。 |
|
taskType | string: |
[必須]AutoMLJob のタスクの種類。 |
|
trainingData |
[必須]トレーニング データの入力。 |
||
validationData |
検証データの入力。 |
||
validationDataSize |
number |
検証のために確保する必要があるトレーニング データセットの割合。 (0.0 , 1.0) の間の値検証データセットが指定されていない場合に適用されます。 |
ImageClassificationMultilabel
画像分類マルチラベル。 複数ラベルの画像分類は、画像が一連のラベルから 1 つ以上のラベルを持つことができる場合に使用されます。たとえば、画像を "cat" と "dog" の両方でラベル付けできます。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
limitSettings |
[必須]AutoML ジョブの設定を制限します。 |
||
logVerbosity | Info |
ジョブの詳細度をログに記録します。 |
|
modelSettings |
モデルのトレーニングに使用される設定。 |
||
primaryMetric | IOU |
このタスク用に最適化する主なメトリック。 |
|
searchSpace |
Searchモデルとそのハイパーパラメーターのさまざまな組み合わせをサンプリングするためのスペースです。 |
||
sweepSettings |
モデル スイープとハイパーパラメーター スイープ関連の設定。 |
||
targetColumnName |
string |
ターゲット列名: これは予測値列です。 分類タスクのコンテキストではラベル列名とも呼ばれます。 |
|
taskType | string: |
[必須]AutoMLJob のタスクの種類。 |
|
trainingData |
[必須]トレーニング データの入力。 |
||
validationData |
検証データの入力。 |
||
validationDataSize |
number |
検証のために確保する必要があるトレーニング データセットの割合。 (0.0 , 1.0) の間の値検証データセットが指定されていない場合に適用されます。 |
ImageInstanceSegmentation
イメージ インスタンスのセグメント化。 インスタンスのセグメント化は、画像内のオブジェクトをピクセル レベルで識別し、画像内の各オブジェクトの周りに多角形を描画するために使用されます。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
limitSettings |
[必須]AutoML ジョブの設定を制限します。 |
||
logVerbosity | Info |
ジョブの詳細度をログに記録します。 |
|
modelSettings |
モデルのトレーニングに使用される設定。 |
||
primaryMetric | MeanAveragePrecision |
このタスク用に最適化する主なメトリック。 |
|
searchSpace |
Searchモデルとそのハイパーパラメーターのさまざまな組み合わせをサンプリングするためのスペースです。 |
||
sweepSettings |
モデル スイープとハイパーパラメーター スイープ関連の設定。 |
||
targetColumnName |
string |
ターゲット列名: これは予測値列です。 分類タスクのコンテキストではラベル列名とも呼ばれます。 |
|
taskType | string: |
[必須]AutoMLJob のタスクの種類。 |
|
trainingData |
[必須]トレーニング データの入力。 |
||
validationData |
検証データの入力。 |
||
validationDataSize |
number |
検証のために確保する必要があるトレーニング データセットの割合。 (0.0 , 1.0) の間の値検証データセットが指定されていない場合に適用されます。 |
ImageLimitSettings
AutoML ジョブの設定を制限します。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
maxConcurrentTrials |
integer |
1 |
同時実行 AutoML イテレーションの最大数。 |
maxTrials |
integer |
1 |
AutoML イテレーションの最大数。 |
timeout |
string |
P7D |
AutoML ジョブのタイムアウト。 |
ImageModelDistributionSettingsClassification
モデル設定の値をスイープする分布式。 いくつかの例を次に示します。
ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
名前 | 型 | 説明 |
---|---|---|
amsGradient |
string |
オプティマイザーが 'adam' または 'adamw' の場合に AMSGrad を有効にします。 |
augmentations |
string |
拡張を使用するための設定。 |
beta1 |
string |
オプティマイザーが 'adam' または 'adamw' の場合の 'beta1' の値。 範囲 [0, 1] の float にする必要があります。 |
beta2 |
string |
オプティマイザーが 'adam' または 'adamw' の場合の 'beta2' の値。 範囲 [0, 1] の float にする必要があります。 |
distributed |
string |
配布者トレーニングを使用するかどうか。 |
earlyStopping |
string |
トレーニング中に早期停止ロジックを有効にします。 |
earlyStoppingDelay |
string |
プライマリ メトリックの改善が早期停止のために追跡されるまで待機するエポックまたは検証評価の最小数。 正の整数にする必要があります。 |
earlyStoppingPatience |
string |
実行が停止する前に主要なメトリックの改善がないエポックまたは検証評価の最小数。 正の整数にする必要があります。 |
enableOnnxNormalization |
string |
ONNX モデルをエクスポートするときに正規化を有効にします。 |
evaluationFrequency |
string |
メトリック スコアを取得するために検証データセットを評価する頻度。 正の整数にする必要があります。 |
gradientAccumulationStep |
string |
グラデーションの累積とは、モデルの重みを更新せずに構成された数の "GradAccumulationStep" ステップを実行し、それらのステップの勾配を蓄積し、累積勾配を使用して重みの更新を計算することを意味します。 正の整数にする必要があります。 |
layersToFreeze |
string |
モデルのフリーズするレイヤーの数。 正の整数にする必要があります。 たとえば、'seresnext' の値として 2 を渡すと、レイヤー 0 とレイヤー 1 がフリーズします。 サポートされているモデルの完全な一覧とレイヤーのフリーズの詳細については、次を参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models |
learningRate |
string |
初期学習率。 範囲 [0, 1] の float にする必要があります。 |
learningRateScheduler |
string |
学習率スケジューラの種類。 'warmup_cosine' または 'step' である必要があります。 |
modelName |
string |
トレーニングに使用するモデルの名前。 使用可能なモデルの詳細については、公式ドキュメントを参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models |
momentum |
string |
オプティマイザーが 'sgd' の場合のモメンタムの値。 範囲 [0, 1] の float にする必要があります。 |
nesterov |
string |
オプティマイザーが 'sgd' の場合に nesterov を有効にします。 |
numberOfEpochs |
string |
トレーニング エポックの数。 正の整数にする必要があります。 |
numberOfWorkers |
string |
データ ローダー ワーカーの数。 負以外の整数である必要があります。 |
optimizer |
string |
オプティマイザーの種類。 'sgd'、'adam'、または 'adamw' のいずれかである必要があります。 |
randomSeed |
string |
決定論的トレーニングを使用するときに使用されるランダム シード。 |
stepLRGamma |
string |
学習率スケジューラが "ステップ" の場合のガンマの値。 範囲 [0, 1] の float にする必要があります。 |
stepLRStepSize |
string |
学習率スケジューラが 'step' の場合のステップ サイズの値。 正の整数にする必要があります。 |
trainingBatchSize |
string |
トレーニング バッチ サイズ。 正の整数にする必要があります。 |
trainingCropSize |
string |
トレーニング データセットのニューラル ネットワークに入力される画像トリミング サイズ。 正の整数にする必要があります。 |
validationBatchSize |
string |
検証バッチ サイズ。 正の整数にする必要があります。 |
validationCropSize |
string |
検証データセットのニューラル ネットワークに入力される画像トリミング サイズ。 正の整数にする必要があります。 |
validationResizeSize |
string |
検証データセット用にトリミングする前のサイズ変更先の画像のサイズ。 正の整数にする必要があります。 |
warmupCosineLRCycles |
string |
学習率スケジューラが "warmup_cosine" の場合のコサイン サイクルの値。 範囲 [0, 1] の float にする必要があります。 |
warmupCosineLRWarmupEpochs |
string |
学習率スケジューラが "warmup_cosine" の場合のウォームアップ エポックの値。 正の整数にする必要があります。 |
weightDecay |
string |
オプティマイザーが 'sgd'、'adam'、または 'adamw' の場合の重みの減衰の値。 範囲 [0, 1] の float である必要があります。 |
weightedLoss |
string |
加重損失。 許容される値は、加重損失がない場合は 0 です。 sqrt による加重損失の場合は 1。(class_weights)。 class_weights による重み付き損失の場合は 2。 0 または 1 または 2 にする必要があります。 |
ImageModelDistributionSettingsObjectDetection
モデル設定の値をスイープする分布式。 いくつかの例を次に示します。
ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
名前 | 型 | 説明 |
---|---|---|
amsGradient |
string |
オプティマイザーが 'adam' または 'adamw' の場合に AMSGrad を有効にします。 |
augmentations |
string |
拡張を使用するための設定。 |
beta1 |
string |
オプティマイザーが 'adam' または 'adamw' の場合の 'beta1' の値。 範囲 [0, 1] の float にする必要があります。 |
beta2 |
string |
オプティマイザーが 'adam' または 'adamw' の場合の 'beta2' の値。 範囲 [0, 1] の float にする必要があります。 |
boxDetectionsPerImage |
string |
すべてのクラスで、画像あたりの最大検出数。 正の整数にする必要があります。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
boxScoreThreshold |
string |
推論中は、分類スコアが BoxScoreThreshold より大きい提案のみを返します。 範囲 [0, 1] の float である必要があります。 |
distributed |
string |
配布者トレーニングを使用するかどうか。 |
earlyStopping |
string |
トレーニング中に早期停止ロジックを有効にします。 |
earlyStoppingDelay |
string |
プライマリ メトリックの改善が早期停止のために追跡されるまで待機するエポックまたは検証評価の最小数。 正の整数にする必要があります。 |
earlyStoppingPatience |
string |
実行が停止する前に主要なメトリックの改善がないエポックまたは検証評価の最小数。 正の整数にする必要があります。 |
enableOnnxNormalization |
string |
ONNX モデルをエクスポートするときに正規化を有効にします。 |
evaluationFrequency |
string |
メトリック スコアを取得するために検証データセットを評価する頻度。 正の整数にする必要があります。 |
gradientAccumulationStep |
string |
グラデーションの累積とは、モデルの重みを更新せずに構成された数の "GradAccumulationStep" ステップを実行し、それらのステップのグラデーションを累積した後、累積されたグラデーションを使用して重みの更新を計算することを意味します。 正の整数にする必要があります。 |
imageSize |
string |
トレーニングおよび検証用の画像サイズ。 正の整数にする必要があります。 注: サイズが大きすぎると、トレーニング実行が CUDA OOM に入る可能性があります。 注: この設定は、"yolov5" アルゴリズムでのみサポートされています。 |
layersToFreeze |
string |
モデルに固定するレイヤーの数。 正の整数にする必要があります。 たとえば、'seresnext' の値として 2 を渡すと、レイヤー 0 とレイヤー 1 がフリーズします。 サポートされているモデルの完全な一覧とレイヤー固定の詳細については、 を参照してください https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。 |
learningRate |
string |
初期学習率。 範囲 [0, 1] の float にする必要があります。 |
learningRateScheduler |
string |
学習率スケジューラの種類。 'warmup_cosine' または 'step' である必要があります。 |
maxSize |
string |
バックボーンにフィードする前に再スケーリングする画像の最大サイズ。 正の整数にする必要があります。 注: サイズが大きすぎる場合、トレーニングの実行が CUDA OOM になることがあります。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
minSize |
string |
バックボーンにフィードする前に再スケーリングする画像の最小サイズ。 正の整数にする必要があります。 注: サイズが大きすぎる場合、トレーニングの実行が CUDA OOM になることがあります。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
modelName |
string |
トレーニングに使用するモデルの名前。 使用可能なモデルの詳細については、公式ドキュメントを参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models |
modelSize |
string |
モデルのサイズ。 'small'、'medium'、'large'、または 'xlarge' である必要があります。 注: モデルのサイズが大きすぎる場合、トレーニングの実行が CUDA OOM になることがあります。 注: この設定は、"yolov5" アルゴリズムでのみサポートされています。 |
momentum |
string |
オプティマイザーが 'sgd' の場合のモメンタムの値。 範囲 [0, 1] の float にする必要があります。 |
multiScale |
string |
イメージ サイズを +/- 50% 変更して、マルチスケール イメージを有効にします。 注: 十分な GPU メモリがない場合、トレーニングの実行が CUDA OOM になることがあります。 注: この設定は、"yolov5" アルゴリズムでのみサポートされています。 |
nesterov |
string |
オプティマイザーが 'sgd' の場合は nesterov を有効にします。 |
nmsIouThreshold |
string |
NMS の後処理で推論中に使用される IOU しきい値。 [0, 1] の範囲内で float である必要があります。 |
numberOfEpochs |
string |
トレーニング エポックの数。 正の整数にする必要があります。 |
numberOfWorkers |
string |
データ ローダー ワーカーの数。 負以外の整数である必要があります。 |
optimizer |
string |
オプティマイザーの種類。 'sgd'、'adam'、または 'adamw' のいずれかである必要があります。 |
randomSeed |
string |
決定論的トレーニングを使用するときに使用されるランダム シード。 |
stepLRGamma |
string |
学習率スケジューラが "step" の場合のガンマの値。 範囲 [0, 1] の float にする必要があります。 |
stepLRStepSize |
string |
学習率スケジューラが "step" の場合のステップ サイズの値。 正の整数にする必要があります。 |
tileGridSize |
string |
各画像のタイルに使用するグリッド サイズ。 注: 小さな物体検出ロジックを有効にするには、TileGridSize を None にすることはできません。 mxn 形式の 2 つの整数を含む文字列。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
tileOverlapRatio |
string |
各ディメンションの隣接するタイル間のオーバーラップ率。 [0, 1) の範囲内で float である必要があります。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
tilePredictionsNmsThreshold |
string |
タイルおよび画像から予測をマージしながら NMS を実行するために使用する IOU しきい値。 検証や推論で使用されます。 [0, 1] の範囲内で float である必要があります。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 NMS: 非最大抑制 |
trainingBatchSize |
string |
トレーニング バッチ サイズ。 正の整数にする必要があります。 |
validationBatchSize |
string |
検証バッチ サイズ。 正の整数にする必要があります。 |
validationIouThreshold |
string |
検証メトリックを計算するときに使用する IOU しきい値。 [0, 1] の範囲内で float である必要があります。 |
validationMetricType |
string |
検証メトリックに使用するメトリック計算方法。 'none'、'coco'、'voc'、または 'coco_voc' である必要があります。 |
warmupCosineLRCycles |
string |
学習率スケジューラが "warmup_cosine" の場合のコサイン サイクルの値。 範囲 [0, 1] の float にする必要があります。 |
warmupCosineLRWarmupEpochs |
string |
学習率スケジューラが "warmup_cosine" の場合のウォームアップ エポックの値。 正の整数にする必要があります。 |
weightDecay |
string |
オプティマイザーが 'sgd'、'adam'、または 'adamw' の場合の重みの減衰の値。 範囲 [0, 1] の float である必要があります。 |
ImageModelSettingsClassification
モデルのトレーニングに使用される設定。 使用可能な設定の詳細については、公式ドキュメントを参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
advancedSettings |
string |
高度なシナリオの設定。 |
|
amsGradient |
boolean |
オプティマイザーが 'adam' または 'adamw' の場合に AMSGrad を有効にします。 |
|
augmentations |
string |
拡張を使用するための設定。 |
|
beta1 |
number |
オプティマイザーが 'adam' または 'adamw' の場合の 'beta1' の値。 範囲 [0, 1] の float にする必要があります。 |
|
beta2 |
number |
オプティマイザーが 'adam' または 'adamw' の場合の 'beta2' の値。 範囲 [0, 1] の float にする必要があります。 |
|
checkpointFrequency |
integer |
モデル チェックポイントを格納する頻度。 正の整数にする必要があります。 |
|
checkpointModel |
増分トレーニング用の事前トレーニング済みチェックポイント モデル。 |
||
checkpointRunId |
string |
増分トレーニング用の事前トレーニング済みチェックポイントを持つ前の実行の ID。 |
|
distributed |
boolean |
分散トレーニングを使用するかどうか。 |
|
earlyStopping |
boolean |
トレーニング中に早期停止ロジックを有効にします。 |
|
earlyStoppingDelay |
integer |
プライマリ メトリックの改善が早期停止のために追跡されるまで待機するエポックまたは検証評価の最小数。 正の整数にする必要があります。 |
|
earlyStoppingPatience |
integer |
実行が停止する前に主要なメトリックの改善がないエポックまたは検証評価の最小数。 正の整数にする必要があります。 |
|
enableOnnxNormalization |
boolean |
ONNX モデルをエクスポートするときに正規化を有効にします。 |
|
evaluationFrequency |
integer |
メトリック スコアを取得するために検証データセットを評価する頻度。 正の整数にする必要があります。 |
|
gradientAccumulationStep |
integer |
グラデーションの累積とは、モデルの重みを更新せずに構成された数の "GradAccumulationStep" ステップを実行し、それらのステップのグラデーションを累積した後、累積されたグラデーションを使用して重みの更新を計算することを意味します。 正の整数にする必要があります。 |
|
layersToFreeze |
integer |
モデルに固定するレイヤーの数。 正の整数にする必要があります。 たとえば、'seresnext' の値として 2 を渡すと、レイヤー 0 とレイヤー 1 がフリーズします。 サポートされているモデルの完全な一覧とレイヤー固定の詳細については、 を参照してください https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。 |
|
learningRate |
number |
初期学習率。 範囲 [0, 1] の float にする必要があります。 |
|
learningRateScheduler | None |
学習率スケジューラの種類。 'warmup_cosine' または 'step' である必要があります。 |
|
modelName |
string |
トレーニングに使用するモデルの名前。 使用可能なモデルの詳細については、公式ドキュメントを参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models |
|
momentum |
number |
オプティマイザーが 'sgd' の場合のモメンタムの値。 範囲 [0, 1] の float にする必要があります。 |
|
nesterov |
boolean |
オプティマイザーが 'sgd' の場合は nesterov を有効にします。 |
|
numberOfEpochs |
integer |
トレーニング エポックの数。 正の整数にする必要があります。 |
|
numberOfWorkers |
integer |
データ ローダー ワーカーの数。 負以外の整数である必要があります。 |
|
optimizer | None |
オプティマイザーの種類。 |
|
randomSeed |
integer |
決定論的トレーニングを使用するときに使用されるランダム シード。 |
|
stepLRGamma |
number |
学習率スケジューラが "step" の場合のガンマの値。 範囲 [0, 1] の float にする必要があります。 |
|
stepLRStepSize |
integer |
学習率スケジューラが "step" の場合のステップ サイズの値。 正の整数にする必要があります。 |
|
trainingBatchSize |
integer |
トレーニング バッチ サイズ。 正の整数にする必要があります。 |
|
trainingCropSize |
integer |
トレーニング データセットのニューラル ネットワークに入力される画像トリミング サイズ。 正の整数にする必要があります。 |
|
validationBatchSize |
integer |
検証バッチ サイズ。 正の整数にする必要があります。 |
|
validationCropSize |
integer |
検証データセットのニューラル ネットワークに入力される画像トリミング サイズ。 正の整数にする必要があります。 |
|
validationResizeSize |
integer |
検証データセット用にトリミングする前のサイズ変更先の画像のサイズ。 正の整数にする必要があります。 |
|
warmupCosineLRCycles |
number |
学習率スケジューラが "warmup_cosine" の場合のコサイン サイクルの値。 範囲 [0, 1] の float にする必要があります。 |
|
warmupCosineLRWarmupEpochs |
integer |
学習率スケジューラが "warmup_cosine" の場合のウォームアップ エポックの値。 正の整数にする必要があります。 |
|
weightDecay |
number |
オプティマイザーが 'sgd'、'adam'、または 'adamw' の場合の重みの減衰の値。 範囲 [0, 1] の float である必要があります。 |
|
weightedLoss |
integer |
加重損失。 許容される値は、加重損失がない場合は 0 です。 sqrt による加重損失の場合は 1。(class_weights)。 class_weights による重み付き損失の場合は 2。 0 または 1 または 2 にする必要があります。 |
ImageModelSettingsObjectDetection
モデルのトレーニングに使用される設定。 使用可能な設定の詳細については、公式ドキュメントを参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
advancedSettings |
string |
高度なシナリオの設定。 |
|
amsGradient |
boolean |
オプティマイザーが 'adam' または 'adamw' の場合に AMSGrad を有効にします。 |
|
augmentations |
string |
拡張を使用するための設定。 |
|
beta1 |
number |
オプティマイザーが 'adam' または 'adamw' の場合の 'beta1' の値。 範囲 [0, 1] の float にする必要があります。 |
|
beta2 |
number |
オプティマイザーが 'adam' または 'adamw' の場合の 'beta2' の値。 範囲 [0, 1] の float にする必要があります。 |
|
boxDetectionsPerImage |
integer |
すべてのクラスで、画像あたりの最大検出数。 正の整数にする必要があります。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
|
boxScoreThreshold |
number |
推論中に、BoxScoreThreshold より大きい分類スコアを持つ提案のみを返します。 範囲 [0, 1] の float である必要があります。 |
|
checkpointFrequency |
integer |
モデル チェックポイントを格納する頻度。 正の整数にする必要があります。 |
|
checkpointModel |
増分トレーニング用の事前トレーニング済みチェックポイント モデル。 |
||
checkpointRunId |
string |
増分トレーニング用の事前トレーニング済みチェックポイントを持つ前の実行の ID。 |
|
distributed |
boolean |
分散トレーニングを使用するかどうか。 |
|
earlyStopping |
boolean |
トレーニング中に早期停止ロジックを有効にします。 |
|
earlyStoppingDelay |
integer |
プライマリ メトリックの改善が早期停止のために追跡されるまで待機するエポックまたは検証評価の最小数。 正の整数にする必要があります。 |
|
earlyStoppingPatience |
integer |
実行が停止する前に主要なメトリックの改善がないエポックまたは検証評価の最小数。 正の整数にする必要があります。 |
|
enableOnnxNormalization |
boolean |
ONNX モデルをエクスポートするときに正規化を有効にします。 |
|
evaluationFrequency |
integer |
メトリック スコアを取得するために検証データセットを評価する頻度。 正の整数にする必要があります。 |
|
gradientAccumulationStep |
integer |
グラデーションの累積とは、モデルの重みを更新せずに構成された数の "GradAccumulationStep" ステップを実行し、それらのステップのグラデーションを累積した後、累積されたグラデーションを使用して重みの更新を計算することを意味します。 正の整数にする必要があります。 |
|
imageSize |
integer |
トレーニングおよび検証用の画像サイズ。 正の整数にする必要があります。 注: サイズが大きすぎると、トレーニング実行が CUDA OOM に入る可能性があります。 注: この設定は、'yolov5' アルゴリズムでのみサポートされています。 |
|
layersToFreeze |
integer |
モデルに固定するレイヤーの数。 正の整数にする必要があります。 たとえば、'seresnext' の値として 2 を渡すと、レイヤー 0 とレイヤー 1 がフリーズします。 サポートされているモデルの完全な一覧とレイヤー固定の詳細については、 を参照してください https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models。 |
|
learningRate |
number |
初期学習率。 範囲 [0, 1] の float にする必要があります。 |
|
learningRateScheduler | None |
学習率スケジューラの種類。 'warmup_cosine' または 'step' である必要があります。 |
|
maxSize |
integer |
バックボーンにフィードする前に再スケーリングする画像の最大サイズ。 正の整数にする必要があります。 注: サイズが大きすぎる場合、トレーニングの実行が CUDA OOM になることがあります。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
|
minSize |
integer |
バックボーンにフィードする前に再スケーリングする画像の最小サイズ。 正の整数にする必要があります。 注: サイズが大きすぎる場合、トレーニングの実行が CUDA OOM になることがあります。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
|
modelName |
string |
トレーニングに使用するモデルの名前。 使用可能なモデルの詳細については、公式ドキュメントを参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models |
|
modelSize | None |
モデルのサイズ。 'small'、'medium'、'large'、または 'xlarge' である必要があります。 注: モデルのサイズが大きすぎる場合、トレーニングの実行が CUDA OOM になることがあります。 注: この設定は、'yolov5' アルゴリズムでのみサポートされています。 |
|
momentum |
number |
オプティマイザーが 'sgd' の場合のモメンタムの値。 範囲 [0, 1] の float にする必要があります。 |
|
multiScale |
boolean |
イメージ サイズを +/- 50% 変更して、マルチスケール イメージを有効にします。 注: 十分な GPU メモリがない場合、トレーニングの実行が CUDA OOM になることがあります。 注: この設定は、'yolov5' アルゴリズムでのみサポートされています。 |
|
nesterov |
boolean |
オプティマイザーが 'sgd' の場合は nesterov を有効にします。 |
|
nmsIouThreshold |
number |
NMS の後処理で推論中に使用される IOU しきい値。 範囲 [0, 1] の float にする必要があります。 |
|
numberOfEpochs |
integer |
トレーニング エポックの数。 正の整数にする必要があります。 |
|
numberOfWorkers |
integer |
データ ローダー ワーカーの数。 負以外の整数である必要があります。 |
|
optimizer | None |
オプティマイザーの種類。 |
|
randomSeed |
integer |
決定論的トレーニングを使用するときに使用されるランダム シード。 |
|
stepLRGamma |
number |
学習率スケジューラが "step" の場合のガンマの値。 範囲 [0, 1] の float にする必要があります。 |
|
stepLRStepSize |
integer |
学習率スケジューラが "step" の場合のステップ サイズの値。 正の整数にする必要があります。 |
|
tileGridSize |
string |
各画像のタイルに使用するグリッド サイズ。 注: 小さなオブジェクト検出ロジックを有効にするには、TileGridSize を None にすることはできません。 mxn 形式の 2 つの整数を含む文字列。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
|
tileOverlapRatio |
number |
各ディメンションの隣接するタイル間のオーバーラップ率。 [0, 1] の範囲内で float である必要があります。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
|
tilePredictionsNmsThreshold |
number |
タイルおよび画像から予測をマージしながら NMS を実行するために使用する IOU しきい値。 検証や推論で使用されます。 範囲 [0, 1] に float を指定する必要があります。 注: この設定は、"yolov5" アルゴリズムではサポートされていません。 |
|
trainingBatchSize |
integer |
トレーニング バッチ サイズ。 正の整数にする必要があります。 |
|
validationBatchSize |
integer |
検証バッチ サイズ。 正の整数にする必要があります。 |
|
validationIouThreshold |
number |
検証メトリックを計算するときに使用する IOU しきい値。 [0, 1] の範囲内で float である必要があります。 |
|
validationMetricType | None |
検証メトリックに使用するメトリック計算方法。 |
|
warmupCosineLRCycles |
number |
学習率スケジューラが "warmup_cosine" の場合のコサイン サイクルの値。 範囲 [0, 1] の float にする必要があります。 |
|
warmupCosineLRWarmupEpochs |
integer |
学習率スケジューラが "warmup_cosine" の場合のウォームアップ エポックの値。 正の整数にする必要があります。 |
|
weightDecay |
number |
オプティマイザーが 'sgd'、'adam'、または 'adamw' の場合の重みの減衰の値。 範囲 [0, 1] の float である必要があります。 |
ImageObjectDetection
画像オブジェクトの検出。 物体検出は、画像内のオブジェクトを識別し、境界ボックスを持つ各オブジェクトを見つけるために使用されます。たとえば、画像内のすべての犬と猫を見つけて、それぞれの周りに境界ボックスを描画します。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
limitSettings |
[必須]AutoML ジョブの設定を制限します。 |
||
logVerbosity | Info |
ジョブの詳細度をログに記録します。 |
|
modelSettings |
モデルのトレーニングに使用される設定。 |
||
primaryMetric | MeanAveragePrecision |
このタスク用に最適化する主なメトリック。 |
|
searchSpace |
Searchモデルとそのハイパーパラメーターのさまざまな組み合わせをサンプリングするためのスペースです。 |
||
sweepSettings |
モデル スイープとハイパーパラメーター スイープ関連の設定。 |
||
targetColumnName |
string |
ターゲット列名: これは予測値列です。 分類タスクのコンテキストではラベル列名とも呼ばれます。 |
|
taskType | string: |
[必須]AutoMLJob のタスクの種類。 |
|
trainingData |
[必須]トレーニング データの入力。 |
||
validationData |
検証データの入力。 |
||
validationDataSize |
number |
検証のために確保する必要があるトレーニング データセットの割合。 (0.0 , 1.0) の間の値検証データセットが指定されていない場合に適用されます。 |
ImageSweepSettings
モデル スイープとハイパーパラメーター スイープ関連の設定。
名前 | 型 | 説明 |
---|---|---|
earlyTermination | EarlyTerminationPolicy: |
早期終了ポリシーの種類。 |
samplingAlgorithm |
[必須]ハイパーパラメーター サンプリング アルゴリズムの種類。 |
InputDeliveryMode
入力データ配信モードを決定する列挙型。
名前 | 型 | 説明 |
---|---|---|
Direct |
string |
|
Download |
string |
|
EvalDownload |
string |
|
EvalMount |
string |
|
ReadOnlyMount |
string |
|
ReadWriteMount |
string |
InstanceSegmentationPrimaryMetrics
InstanceSegmentation タスクのプライマリ メトリック。
名前 | 型 | 説明 |
---|---|---|
MeanAveragePrecision |
string |
平均平均精度 (MAP) は、AP の平均 (平均精度) です。 AP はクラスごとに計算され、MAP を取得するために平均化されます。 |
JobBaseResource
Azure Resource Manager リソース エンベロープ。
名前 | 型 | 説明 |
---|---|---|
id |
string |
リソースの完全修飾リソース ID。 例 - /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName} |
name |
string |
リソースの名前 |
properties | JobBase: |
[必須]エンティティの追加の属性。 |
systemData |
createdBy および modifiedBy 情報を含む Azure Resource Manager メタデータ。 |
|
type |
string |
リソースの型。 例: "Microsoft.Compute/virtualMachines" または "Microsoft.Storage/storageAccounts" |
JobInputType
ジョブ入力の種類を決定する列挙型。
名前 | 型 | 説明 |
---|---|---|
custom_model |
string |
|
literal |
string |
|
mlflow_model |
string |
|
mltable |
string |
|
triton_model |
string |
|
uri_file |
string |
|
uri_folder |
string |
JobLimitsType
名前 | 型 | 説明 |
---|---|---|
Command |
string |
|
Sweep |
string |
JobOutputType
ジョブ出力の種類を決定する列挙型。
名前 | 型 | 説明 |
---|---|---|
custom_model |
string |
|
mlflow_model |
string |
|
mltable |
string |
|
triton_model |
string |
|
uri_file |
string |
|
uri_folder |
string |
JobResourceConfiguration
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
dockerArgs |
string |
Docker 実行コマンドに渡す追加の引数。 これにより、システムまたはこのセクションで既に設定されているパラメーターがオーバーライドされます。 このパラメーターは、Azure ML コンピューティングの種類でのみサポートされます。 |
|
instanceCount |
integer |
1 |
コンピューティング 先で使用されるインスタンスまたはノードの数 (省略可能)。 |
instanceType |
string |
コンピューティング 先でサポートされている VM のオプションの種類。 |
|
properties |
object |
その他のプロパティ バッグ。 |
|
shmSize |
string |
2g |
Docker コンテナーの共有メモリ ブロックのサイズ。 これは、(number)(unit) の形式である必要があります。数値は 0 より大きく、単位は b(バイト)、k(キロバイト)、m(メガバイト)、または g(ギガバイト) のいずれかになります。 |
JobService
ジョブ エンドポイントの定義
名前 | 型 | 説明 |
---|---|---|
endpoint |
string |
エンドポイントの URL。 |
errorMessage |
string |
サービス内のエラー。 |
jobServiceType |
string |
エンドポイントの種類。 |
nodes | Nodes: |
ユーザーがサービスを開始するノード。 ノードが設定されていないか null に設定されていない場合、サービスはリーダー ノードでのみ開始されます。 |
port |
integer |
エンドポイントのポート。 |
properties |
object |
エンドポイントに設定する追加のプロパティ。 |
status |
string |
エンドポイントの状態。 |
JobStatus
ジョブの状態。
名前 | 型 | 説明 |
---|---|---|
CancelRequested |
string |
ジョブの取り消しが要求されました。 |
Canceled |
string |
取り消し要求の後、ジョブは正常に取り消されました。 |
Completed |
string |
ジョブが正常に完了しました。 これは、ジョブ自体と出力コレクションの状態の両方が正常に完了したことを反映しています |
Failed |
string |
ジョブが失敗しました。 |
Finalizing |
string |
ターゲットでジョブが完了しました。 現在、出力コレクションの状態です。 |
NotResponding |
string |
ハートビートが有効になっている場合、実行で RunHistory に情報が更新されていない場合、実行は NotResponding 状態になります。 NotResponding は、厳密な移行順序から除外される唯一の状態です。 実行は NotResponding から以前の状態のいずれかに移動できます。 |
NotStarted |
string |
実行はまだ開始されていません。 |
Paused |
string |
ジョブはユーザーによって一時停止されます。 ラベル付けジョブに対する一部の調整は、一時停止状態でのみ行うことができます。 |
Preparing |
string |
実行環境の準備中です。 |
Provisioning |
string |
(現在は使用されていません)これは、ES がコンピューティング 先を作成している場合に使用されます。 |
Queued |
string |
ジョブはコンピューティング 先でキューに登録されます。 たとえば、BatchAI では、ジョブはキューに登録された状態で、必要なすべてのノードの準備が整うのを待ちます。 |
Running |
string |
ジョブがコンピューティング 先で実行を開始しました。 |
Starting |
string |
実行が開始されました。 ユーザーは実行 ID を持っています。 |
Unknown |
string |
他のすべての状態にマップされていない場合の既定のジョブの状態 |
JobTier
ジョブ層を決定する列挙型。
名前 | 型 | 説明 |
---|---|---|
Basic |
string |
|
Null |
string |
|
Premium |
string |
|
Spot |
string |
|
Standard |
string |
JobType
ジョブの種類を決定する列挙型。
名前 | 型 | 説明 |
---|---|---|
AutoML |
string |
|
Command |
string |
|
Pipeline |
string |
|
Spark |
string |
|
Sweep |
string |
LearningRateScheduler
学習率スケジューラ列挙型。
名前 | 型 | 説明 |
---|---|---|
None |
string |
学習率スケジューラが選択されていません。 |
Step |
string |
ステップ学習率スケジューラ。 |
WarmupCosine |
string |
ウォームアップによるコサインアニーリング。 |
LiteralJobInput
リテラル入力の種類。
名前 | 型 | 説明 |
---|---|---|
description |
string |
入力の説明。 |
jobInputType |
string:
literal |
[必須]ジョブの種類を指定します。 |
value |
string |
[必須]入力のリテラル値。 |
LogVerbosity
ログの詳細度を設定するための列挙型。
名前 | 型 | 説明 |
---|---|---|
Critical |
string |
重要なステートメントのみがログに記録されます。 |
Debug |
string |
デバッグ以降のログ ステートメントがログに記録されます。 |
Error |
string |
エラー以降のログ ステートメントがログに記録されました。 |
Info |
string |
ログに記録された情報以上のログ ステートメント。 |
NotSet |
string |
ログは出力されません。 |
Warning |
string |
警告以上のログ ステートメントがログに記録されました。 |
ManagedIdentity
マネージド ID の構成。
名前 | 型 | 説明 |
---|---|---|
clientId |
string |
クライアント ID でユーザー割り当て ID を指定します。 システム割り当ての場合は、このフィールドを設定しないでください。 |
identityType |
string:
Managed |
[必須]ID フレームワークの種類を指定します。 |
objectId |
string |
オブジェクト ID でユーザー割り当て ID を指定します。 システム割り当ての場合は、このフィールドを設定しないでください。 |
resourceId |
string |
ARM リソース ID でユーザー割り当て ID を指定します。 システム割り当ての場合は、このフィールドを設定しないでください。 |
MedianStoppingPolicy
すべての実行のプライマリ メトリックの実行平均に基づいて早期終了ポリシーを定義します
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
delayEvaluation |
integer |
0 |
最初の評価を遅らせる間隔の数。 |
evaluationInterval |
integer |
0 |
ポリシー評価間の間隔 (実行数)。 |
policyType |
string:
Median |
[必須]ポリシー構成の名前 |
MLFlowModelJobInput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
入力の説明。 |
|
jobInputType |
string:
mlflow_model |
[必須]ジョブの種類を指定します。 |
|
mode | ReadOnlyMount |
入力アセット配信モード。 |
|
uri |
string |
[必須]入力アセット URI。 |
MLFlowModelJobOutput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
出力の説明。 |
|
jobOutputType |
string:
mlflow_model |
[必須]ジョブの種類を指定します。 |
|
mode | ReadWriteMount |
出力資産配信モード。 |
|
uri |
string |
出力アセット URI。 |
MLTableJobInput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
入力の説明。 |
|
jobInputType |
string:
mltable |
[必須]ジョブの種類を指定します。 |
|
mode | ReadOnlyMount |
入力アセット配信モード。 |
|
uri |
string |
[必須]入力アセット URI。 |
MLTableJobOutput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
出力の説明。 |
|
jobOutputType |
string:
mltable |
[必須]ジョブの種類を指定します。 |
|
mode | ReadWriteMount |
出力資産配信モード。 |
|
uri |
string |
出力アセット URI。 |
ModelSize
イメージ モデルのサイズ。
名前 | 型 | 説明 |
---|---|---|
ExtraLarge |
string |
特大サイズ。 |
Large |
string |
大きなサイズ。 |
Medium |
string |
中程度のサイズ。 |
None |
string |
値が選択されていません。 |
Small |
string |
小さいサイズ。 |
Mpi
MPI ディストリビューションの構成。
名前 | 型 | 説明 |
---|---|---|
distributionType | string: |
[必須]ディストリビューション フレームワークの種類を指定します。 |
processCountPerInstance |
integer |
MPI ノードあたりのプロセス数。 |
NCrossValidationsMode
N クロス検証値の決定方法を決定します。
名前 | 型 | 説明 |
---|---|---|
Auto |
string |
N クロス検証値を自動的に決定します。 "予測" AutoML タスクでのみサポートされます。 |
Custom |
string |
カスタム N クロス検証値を使用します。 |
NlpVerticalFeaturizationSettings
名前 | 型 | 説明 |
---|---|---|
datasetLanguage |
string |
テキスト データに役立つデータセット言語。 |
NlpVerticalLimitSettings
ジョブ実行の制約。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
maxConcurrentTrials |
integer |
1 |
同時実行 AutoML の最大反復回数。 |
maxTrials |
integer |
1 |
AutoML イテレーションの数。 |
timeout |
string |
P7D |
AutoML ジョブのタイムアウト。 |
NodesValueType
ノード値の列挙型
名前 | 型 | 説明 |
---|---|---|
All |
string |
NotificationSetting
通知の構成。
名前 | 型 | 説明 |
---|---|---|
emailOn |
指定した通知の種類に関する電子メール通知をユーザーに送信する |
|
emails |
string[] |
これは、コンマ区切り記号を使用した合計 concat で 499 文字の制限がある電子メール受信者リストです |
webhooks |
object |
Webhook コールバックをサービスに送信します。 キーは、Webhook のユーザー指定の名前です。 |
ObjectDetectionPrimaryMetrics
Image ObjectDetection タスクのプライマリ メトリック。
名前 | 型 | 説明 |
---|---|---|
MeanAveragePrecision |
string |
平均平均精度 (MAP) は、AP の平均 (平均精度) です。 AP はクラスごとに計算され、MAP を取得するために平均化されます。 |
Objective
最適化の目的。
名前 | 型 | 説明 |
---|---|---|
goal |
[必須]ハイパーパラメーターチューニングでサポートされるメトリック目標を定義します |
|
primaryMetric |
string |
[必須]最適化するメトリックの名前。 |
OutputDeliveryMode
出力データ配信モード列挙型。
名前 | 型 | 説明 |
---|---|---|
Direct |
string |
|
ReadWriteMount |
string |
|
Upload |
string |
PipelineJob
パイプライン ジョブ定義: ジェネリックから MFE 属性を定義します。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
componentId |
string |
コンポーネント リソースの ARM リソース ID。 |
|
computeId |
string |
コンピューティング リソースの ARM リソース ID。 |
|
description |
string |
資産の説明テキスト。 |
|
displayName |
string |
ジョブの表示名。 |
|
experimentName |
string |
Default |
ジョブが属する実験の名前。 設定されていない場合、ジョブは "Default" 実験に配置されます。 |
identity | IdentityConfiguration: |
ID の構成。 設定する場合は、AmlToken、ManagedIdentity、UserIdentity、または null のいずれかである必要があります。 null の場合、既定値は AmlToken になります。 |
|
inputs |
object |
パイプライン ジョブの入力。 |
|
isArchived |
boolean |
False |
資産はアーカイブされていますか? |
jobType |
string:
Pipeline |
[必須]ジョブの種類を指定します。 |
|
jobs |
object |
ジョブはパイプライン ジョブを構築します。 |
|
notificationSetting |
ジョブの通知設定 |
||
outputs |
object |
パイプライン ジョブの出力 |
|
properties |
object |
資産プロパティディクショナリ。 |
|
services |
<string,
Job |
JobEndpoints の一覧。 ローカル ジョブの場合、ジョブ エンドポイントのエンドポイント値は FileStreamObject になります。 |
|
settings |
object |
ContinueRunOnStepFailure などのパイプライン設定。 |
|
sourceJobId |
string |
ソース ジョブの ARM リソース ID。 |
|
status |
ジョブの状態。 |
||
tags |
object |
タグ辞書。 タグは追加、削除、更新できます。 |
PyTorch
PyTorch ディストリビューションの構成。
名前 | 型 | 説明 |
---|---|---|
distributionType | string: |
[必須]ディストリビューション フレームワークの種類を指定します。 |
processCountPerInstance |
integer |
ノードあたりのプロセス数。 |
QueueSettings
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
jobTier | Null |
コンピューティング ジョブレベルを制御します |
RandomSamplingAlgorithm
値をランダムに生成するサンプリング アルゴリズムを定義します
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
rule | Random |
ランダム アルゴリズムの特定の種類 |
|
samplingAlgorithmType |
string:
Random |
[必須]構成プロパティと共にハイパーパラメーター値を生成するために使用されるアルゴリズム |
|
seed |
integer |
乱数生成のシードとして使用する省略可能な整数 |
RandomSamplingAlgorithmRule
ランダム アルゴリズムの特定の種類
名前 | 型 | 説明 |
---|---|---|
Random |
string |
|
Sobol |
string |
Regression
AutoML テーブルの垂直方向の回帰タスク。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
cvSplitColumnNames |
string[] |
CVSplit データに使用する列。 |
|
featurizationSettings |
AutoML ジョブに必要な特徴付け入力。 |
||
limitSettings |
AutoMLJob の実行制約。 |
||
logVerbosity | Info |
ジョブの詳細度をログに記録します。 |
|
nCrossValidations | NCrossValidations: |
検証データセットが指定されていない場合にトレーニング データセットに適用されるクロス検証フォールドの数。 |
|
primaryMetric | NormalizedRootMeanSquaredError |
回帰タスクの主なメトリック。 |
|
targetColumnName |
string |
ターゲット列名: これは予測値列です。 分類タスクのコンテキストではラベル列名とも呼ばれます。 |
|
taskType | string: |
[必須]AutoMLJob のタスクの種類。 |
|
testData |
データ入力をテストします。 |
||
testDataSize |
number |
検証のために確保する必要があるテスト データセットの割合。 (0.0 , 1.0) の間の値検証データセットが指定されていない場合に適用されます。 |
|
trainingData |
[必須]トレーニング データの入力。 |
||
trainingSettings |
AutoML ジョブのトレーニング フェーズの入力。 |
||
validationData |
検証データの入力。 |
||
validationDataSize |
number |
検証のために確保する必要があるトレーニング データセットの割合。 (0.0 , 1.0) の間の値検証データセットが指定されていない場合に適用されます。 |
|
weightColumnName |
string |
サンプルの重み列の名前。 自動 ML では、入力として重み付け列がサポートされているため、データ内の行が重み付けされます。 |
RegressionModels
AutoML でサポートされているすべての回帰モデルの列挙型。
名前 | 型 | 説明 |
---|---|---|
DecisionTree |
string |
デシジョン ツリーは、分類タスクと回帰タスクの両方に使用されるノンパラメトリック教師あり学習方法です。 目標は、データ特徴から推論された単純な決定ルールを学習することによって、ターゲット変数の値を予測するモデルを作成することです。 |
ElasticNet |
string |
エラスティック ネットは、一般的な 2 つのペナルティ (特に L1 と L2 のペナルティ関数) を組み合わせた一般的なタイプの正則化線形回帰です。 |
ExtremeRandomTrees |
string |
Extreme Trees は、多くのデシジョン ツリーからの予測を組み合わせたアンサンブル機械学習アルゴリズムです。 これは、広く使用されているランダム フォレスト アルゴリズムに関連しています。 |
GradientBoosting |
string |
週の学習者を強力な学習者に転送する手法は Boosting と呼ばれます。 勾配ブースティング アルゴリズム プロセスは、この実行理論に対して機能します。 |
KNN |
string |
K ニアレスト ネイバー (KNN) アルゴリズムは、"特徴類似性" を使用して新しいデータ ポイントの値を予測します。つまり、トレーニング セット内のポイントとどの程度一致するかに基づいて、新しいデータ ポイントに値が割り当てられることを意味します。 |
LassoLars |
string |
なげなわモデルは、最小角度回帰 (例: Lars) に適合します。 これは、正則化の前に L1 でトレーニングされた線形モデルです。 |
LightGBM |
string |
LightGBM は、ツリー ベースの学習アルゴリズムを使用する勾配ブースティング フレームワークです。 |
RandomForest |
string |
ランダム フォレストは、教師あり学習アルゴリズムです。 構築する "フォレスト" はデシジョン ツリーのアンサンブルであり、通常は "バギング" メソッドでトレーニングされます。 バギング方法の一般的な考え方は、学習モデルの組み合わせによって全体的な結果が増加することです。 |
SGD |
string |
SGD: 確率勾配降下法は、機械学習アプリケーションでよく使用される最適化アルゴリズムであり、予測出力と実際の出力の最適な適合に対応するモデル パラメーターを検索します。 これは、非具体的だが強力な手法です。 |
XGBoostRegressor |
string |
XGBoostRegressor: Extreme Gradient Boosting Regressor は、基本学習者のアンサンブルを使用した教師あり機械学習モデルです。 |
RegressionPrimaryMetrics
回帰タスクの主なメトリック。
名前 | 型 | 説明 |
---|---|---|
NormalizedMeanAbsoluteError |
string |
正規化平均絶対誤差 (NMAE) は、(時間) 系列の平均絶対誤差 (MAE) と異なるスケールを比較する検証メトリックです。 |
NormalizedRootMeanSquaredError |
string |
RMSE の正規化された 2 乗平均二乗誤差 (NRMSE) により、スケールが異なるモデル間の比較が容易になります。 |
R2Score |
string |
R2 スコアは、予測ベースの機械学習モデルのパフォーマンス評価メジャーの 1 つです。 |
SpearmanCorrelation |
string |
スピアマンの順位相関係数は、ランク相関の非パラメーター測定です。 |
RegressionTrainingSettings
回帰トレーニング関連の構成。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
allowedTrainingAlgorithms |
回帰タスクに使用できるモデル。 |
||
blockedTrainingAlgorithms |
回帰タスクのブロックされたモデル。 |
||
enableDnnTraining |
boolean |
False |
DNN モデルの推奨事項を有効にします。 |
enableModelExplainability |
boolean |
True |
最適なモデルで説明性を有効にするフラグ。 |
enableOnnxCompatibleModels |
boolean |
False |
onnx 互換モデルを有効にするフラグ。 |
enableStackEnsemble |
boolean |
True |
スタック アンサンブル実行を有効にします。 |
enableVoteEnsemble |
boolean |
True |
投票アンサンブル実行を有効にします。 |
ensembleModelDownloadTimeout |
string |
PT5M |
VotingEnsemble と StackEnsemble モデルの生成中に、前の子実行から複数の適合モデルがダウンロードされます。 より長い時間が必要な場合は、このパラメーターを 300 秒より大きい値に設定します。 |
stackEnsembleSettings |
スタック アンサンブル実行のスタック アンサンブル設定。 |
SamplingAlgorithmType
名前 | 型 | 説明 |
---|---|---|
Bayesian |
string |
|
Grid |
string |
|
Random |
string |
SeasonalityMode
季節性モードの予測。
名前 | 型 | 説明 |
---|---|---|
Auto |
string |
自動的に決定される季節性。 |
Custom |
string |
カスタム季節性値を使用します。 |
ShortSeriesHandlingConfiguration
AutoML で短い時系列を処理する方法を定義するパラメーター。
名前 | 型 | 説明 |
---|---|---|
Auto |
string |
長い系列がない場合、短い系列は埋め込まれます。それ以外の場合、短い系列は削除されます。 |
Drop |
string |
すべての短いシリーズは削除されます。 |
None |
string |
no/null 値を表します。 |
Pad |
string |
すべての短いシリーズが埋め込まれます。 |
SparkJob
Spark ジョブ定義。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
archives |
string[] |
ジョブで使用されるアーカイブ ファイル。 |
|
args |
string |
ジョブの引数。 |
|
codeId |
string |
[必須] コード資産の arm-id。 |
|
componentId |
string |
コンポーネント リソースの ARM リソース ID。 |
|
computeId |
string |
コンピューティング リソースの ARM リソース ID。 |
|
conf |
object |
Spark で構成されたプロパティ。 |
|
description |
string |
資産の説明テキスト。 |
|
displayName |
string |
ジョブの表示名。 |
|
entry | SparkJobEntry: |
[必須]ジョブの起動時に実行するエントリ。 |
|
environmentId |
string |
ジョブの環境仕様の ARM リソース ID。 |
|
environmentVariables |
object |
ジョブに含まれる環境変数。 |
|
experimentName |
string |
Default |
ジョブが属する実験の名前。 設定されていない場合、ジョブは "Default" 実験に配置されます。 |
files |
string[] |
ジョブで使用されるファイル。 |
|
identity | IdentityConfiguration: |
ID の構成。 設定されている場合、これは AmlToken、ManagedIdentity、UserIdentity、または null のいずれかである必要があります。 null の場合、既定値は AmlToken です。 |
|
inputs |
object |
ジョブで使用される入力データ バインディングのマッピング。 |
|
isArchived |
boolean |
False |
資産はアーカイブされていますか? |
jars |
string[] |
ジョブで使用される Jar ファイル。 |
|
jobType |
string:
Spark |
[必須]ジョブの種類を指定します。 |
|
notificationSetting |
ジョブの通知設定 |
||
outputs |
object |
ジョブで使用される出力データ バインディングのマッピング。 |
|
properties |
object |
資産プロパティディクショナリ。 |
|
pyFiles |
string[] |
ジョブで使用される Python ファイル。 |
|
queueSettings |
ジョブのキュー設定 |
||
resources |
ジョブのコンピューティング リソースの構成。 |
||
services |
<string,
Job |
JobEndpoints の一覧。 ローカル ジョブの場合、ジョブ エンドポイントのエンドポイント値は FileStreamObject になります。 |
|
status |
ジョブの状態。 |
||
tags |
object |
タグ辞書。 タグは追加、削除、更新できます。 |
SparkJobEntryType
名前 | 型 | 説明 |
---|---|---|
SparkJobPythonEntry |
string |
|
SparkJobScalaEntry |
string |
SparkJobPythonEntry
名前 | 型 | 説明 |
---|---|---|
file |
string |
[必須]ジョブ エントリ ポイントの相対 Python ファイル パス。 |
sparkJobEntryType | string: |
[必須]ジョブのエントリ ポイントの種類。 |
SparkJobScalaEntry
名前 | 型 | 説明 |
---|---|---|
className |
string |
[必須]エントリ ポイントとして使用される Scala クラス名。 |
sparkJobEntryType | string: |
[必須]ジョブのエントリ ポイントの種類。 |
SparkResourceConfiguration
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
instanceType |
string |
コンピューティング 先でサポートされている VM のオプションの種類。 |
|
runtimeVersion |
string |
3.1 |
ジョブに使用される Spark ランタイムのバージョン。 |
StackEnsembleSettings
StackEnsemble の実行をカスタマイズするための設定を進めます。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
stackMetaLearnerKWargs |
object |
メタ学習者の初期化子に渡す省略可能なパラメーター。 |
|
stackMetaLearnerTrainPercentage |
number |
0.2 |
メタ学習者のトレーニング用に予約するトレーニング セット (トレーニングと検証の種類を選択する場合) の割合を指定します。 既定値は 0.2 です。 |
stackMetaLearnerType | None |
メタ学習者は、個々の異種モデルの出力でトレーニングされたモデルです。 |
StackMetaLearnerType
メタ学習者は、個々の異種モデルの出力でトレーニングされたモデルです。 既定のメタ学習者は、分類タスク (またはクロス検証が有効な場合は LogisticRegressionCV) の場合は LogisticRegression、回帰/予測タスクの場合は ElasticNet (クロス検証が有効な場合は ElasticNetCV) です。 このパラメーターには、LogisticRegression、LogisticRegressionCV、LightGBMClassifier、ElasticNet、ElasticNetCV、LightGBMRegressor、LinearRegression のいずれかの文字列を指定できます。
名前 | 型 | 説明 |
---|---|---|
ElasticNet |
string |
既定のメタ学習者は、回帰タスクの LogisticRegression です。 |
ElasticNetCV |
string |
既定のメタ学習者は、CV がオンの場合の回帰タスクの LogisticRegression です。 |
LightGBMClassifier |
string |
|
LightGBMRegressor |
string |
|
LinearRegression |
string |
|
LogisticRegression |
string |
既定のメタ学習者は、分類タスクの LogisticRegression です。 |
LogisticRegressionCV |
string |
既定のメタ学習者は、CV がオンの場合の分類タスクの LogisticRegression です。 |
None |
string |
StochasticOptimizer
イメージ モデルの確率オプティマイザー。
名前 | 型 | 説明 |
---|---|---|
Adam |
string |
Adam は、モーメントのアダプティブ推定に基づいて確率的な目的関数を最適化するアルゴリズムです |
Adamw |
string |
AdamW はオプティマイザー Adam のバリエーションであり、重量減衰の実装が改善されています。 |
None |
string |
オプティマイザーが選択されていません。 |
Sgd |
string |
確率的勾配降下オプティマイザー。 |
SweepJob
スイープ ジョブ定義。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
componentId |
string |
コンポーネント リソースの ARM リソース ID。 |
|
computeId |
string |
コンピューティング リソースの ARM リソース ID。 |
|
description |
string |
資産の説明テキスト。 |
|
displayName |
string |
ジョブの表示名。 |
|
earlyTermination | EarlyTerminationPolicy: |
早期終了ポリシーを使用すると、実行が完了する前にパフォーマンスの低い実行を取り消す |
|
experimentName |
string |
Default |
ジョブが属する実験の名前。 設定されていない場合、ジョブは "Default" 実験に配置されます。 |
identity | IdentityConfiguration: |
ID の構成。 設定されている場合、これは AmlToken、ManagedIdentity、UserIdentity、または null のいずれかである必要があります。 null の場合、既定値は AmlToken です。 |
|
inputs |
object |
ジョブで使用される入力データ バインディングのマッピング。 |
|
isArchived |
boolean |
False |
資産はアーカイブされていますか? |
jobType |
string:
Sweep |
[必須]ジョブの種類を指定します。 |
|
limits | {} |
スイープ ジョブの制限。 |
|
notificationSetting |
ジョブの通知設定 |
||
objective |
[必須]最適化の目的。 |
||
outputs |
object |
ジョブで使用される出力データ バインディングのマッピング。 |
|
properties |
object |
資産プロパティディクショナリ。 |
|
queueSettings |
ジョブのキュー設定 |
||
samplingAlgorithm | SamplingAlgorithm: |
[必須]ハイパーパラメーター サンプリング アルゴリズム |
|
searchSpace |
object |
[必須]各パラメーターとその分布を含むディクショナリ。 ディクショナリ キーは パラメーターの名前です |
|
services |
<string,
Job |
JobEndpoints の一覧。 ローカル ジョブの場合、ジョブ エンドポイントのエンドポイント値は FileStreamObject になります。 |
|
status |
ジョブの状態。 |
||
tags |
object |
タグ辞書。 タグは追加、削除、更新できます。 |
|
trial |
[必須]試用版コンポーネントの定義。 |
SweepJobLimits
スイープ ジョブ制限クラス。
名前 | 型 | 説明 |
---|---|---|
jobLimitsType |
string:
Sweep |
[必須]JobLimit 型。 |
maxConcurrentTrials |
integer |
スイープ ジョブの最大同時試行回数。 |
maxTotalTrials |
integer |
スイープ ジョブの最大試行回数。 |
timeout |
string |
ISO 8601 形式の最大実行時間。その後、ジョブは取り消されます。 有効桁数が秒の期間のみをサポートします。 |
trialTimeout |
string |
スイープ ジョブ試用版のタイムアウト値。 |
systemData
リソースの作成と最後の変更に関連するメタデータ。
名前 | 型 | 説明 |
---|---|---|
createdAt |
string |
リソース作成のタイムスタンプ (UTC)。 |
createdBy |
string |
リソースを作成した ID。 |
createdByType |
リソースを作成した ID の種類。 |
|
lastModifiedAt |
string |
リソースの最終変更のタイムスタンプ (UTC) |
lastModifiedBy |
string |
リソースを最後に変更した ID。 |
lastModifiedByType |
リソースを最後に変更した ID の種類。 |
TableVerticalFeaturizationSettings
特徴付けの構成。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
blockedTransformers |
これらのトランスフォーマーは特徴付けには使用しないでください。 |
||
columnNameAndTypes |
object |
列名とその型 (int、float、string、datetime など) のディクショナリ。 |
|
datasetLanguage |
string |
データセット言語。テキスト データに役立ちます。 |
|
enableDnnFeaturization |
boolean |
False |
データ特徴付けに Dnn ベースの特徴付け器を使用するかどうかを決定します。 |
mode | Auto |
特徴付けモード - ユーザーは既定の "自動" モードを維持でき、AutoML は特徴付けフェーズでのデータの必要な変換を処理します。 [オフ] が選択されている場合、特徴付けは行われません。 [カスタム] が選択されている場合、ユーザーは追加の入力を指定して特徴付けの実行方法をカスタマイズできます。 |
|
transformerParams |
object |
ユーザーは、使用する追加のトランスフォーマーと、それが適用される列、およびトランスフォーマー コンストラクターのパラメーターを指定できます。 |
TableVerticalLimitSettings
ジョブ実行の制約。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
enableEarlyTermination |
boolean |
True |
早期終了を有効にします。過去 20 回のイテレーションでスコアの改善がない場合に AutoMLJob が早期に終了するかどうかを決定します。 |
exitScore |
number |
AutoML ジョブの終了スコア。 |
|
maxConcurrentTrials |
integer |
1 |
最大同時実行イテレーション数。 |
maxCoresPerTrial |
integer |
-1 |
イテレーションあたりの最大コア数。 |
maxTrials |
integer |
1000 |
イテレーションの回数。 |
timeout |
string |
PT6H |
AutoML ジョブのタイムアウト。 |
trialTimeout |
string |
PT30M |
イテレーションのタイムアウト。 |
TargetAggregationFunction
ターゲット集計関数。
名前 | 型 | 説明 |
---|---|---|
Max |
string |
|
Mean |
string |
|
Min |
string |
|
None |
string |
値セットを表しません。 |
Sum |
string |
TargetLagsMode
ターゲットラグ選択モード。
名前 | 型 | 説明 |
---|---|---|
Auto |
string |
ターゲットラグが自動的に決定されます。 |
Custom |
string |
カスタム ターゲットラグを使用します。 |
TargetRollingWindowSizeMode
ローリング ウィンドウ サイズ モードをターゲットにします。
名前 | 型 | 説明 |
---|---|---|
Auto |
string |
ローリング ウィンドウのサイズを自動的に決定します。 |
Custom |
string |
指定したローリング ウィンドウ サイズを使用します。 |
TaskType
AutoMLJob タスクの種類。
名前 | 型 | 説明 |
---|---|---|
Classification |
string |
機械学習と統計の分類は、コンピューター プログラムが与えられたデータから学習し、新しい観察または分類を行う教師あり学習アプローチです。 |
Forecasting |
string |
予測は、時系列データを処理し、入力に基づいて近い将来の値を予測するために使用できる予測モデルを作成する、特別な種類の回帰タスクです。 |
ImageClassification |
string |
画像の分類。 複数クラスの画像分類は、一連のクラスから 1 つのラベルのみで画像が分類される場合に使用されます。たとえば、各画像は "cat" または "dog" または "duck" の画像として分類されます。 |
ImageClassificationMultilabel |
string |
画像分類マルチラベル。 複数ラベルの画像分類は、画像が一連のラベルから 1 つ以上のラベルを持つことができる場合に使用されます。たとえば、画像を "cat" と "dog" の両方でラベル付けできます。 |
ImageInstanceSegmentation |
string |
イメージ インスタンスのセグメント化。 インスタンスのセグメント化は、画像内のオブジェクトをピクセル レベルで識別し、画像内の各オブジェクトの周りに多角形を描画するために使用されます。 |
ImageObjectDetection |
string |
画像オブジェクトの検出。 物体検出は、画像内のオブジェクトを識別し、境界ボックスを持つ各オブジェクトを見つけるために使用されます。たとえば、画像内のすべての犬と猫を見つけて、それぞれの周りに境界ボックスを描画します。 |
Regression |
string |
回帰とは、入力データを使用して値を予測することを意味します。 回帰モデルは、連続値を予測するために使用されます。 |
TextClassification |
string |
テキスト分類 (テキストタグ付けまたはテキスト分類とも呼ばれます) は、テキストをカテゴリに並べ替えるプロセスです。 カテゴリは相互に排他的です。 |
TextClassificationMultilabel |
string |
複数ラベル分類タスクは、各サンプルをターゲット ラベルのグループ (0 個以上) に割り当てます。 |
TextNER |
string |
Text Named Entity Recognition a.k.a. TextNER. 名前付きエンティティ認識 (NER) は、自由形式のテキストを取得し、人、場所、組織などのエンティティの出現箇所を識別する機能です。 |
TensorFlow
TensorFlow ディストリビューションの構成。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
distributionType | string: |
[必須]ディストリビューション フレームワークの種類を指定します。 |
|
parameterServerCount |
integer |
0 |
パラメーター サーバー タスクの数。 |
workerCount |
integer |
worker 数。 指定しない場合、 は既定でインスタンス数になります。 |
TextClassification
AutoML NLP 縦書きのテキスト分類タスク。 NLP - 自然言語処理。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
featurizationSettings |
AutoML ジョブに必要な特徴付け入力。 |
||
limitSettings |
AutoMLJob の実行制約。 |
||
logVerbosity | Info |
ジョブの詳細度をログに記録します。 |
|
primaryMetric | Accuracy |
Text-Classification タスクのプライマリ メトリック。 |
|
targetColumnName |
string |
ターゲット列名: これは予測値列です。 分類タスクのコンテキストではラベル列名とも呼ばれます。 |
|
taskType | string: |
[必須]AutoMLJob のタスクの種類。 |
|
trainingData |
[必須]トレーニング データの入力。 |
||
validationData |
検証データの入力。 |
TextClassificationMultilabel
AutoML NLP 縦書きのテキスト分類マルチラベル タスク。 NLP - 自然言語処理。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
featurizationSettings |
AutoML ジョブに必要な特徴付け入力。 |
||
limitSettings |
AutoMLJob の実行制約。 |
||
logVerbosity | Info |
ジョブの詳細度をログに記録します。 |
|
primaryMetric |
Text-Classification-Multilabel タスクのプライマリ メトリック。 現在、プライマリ メトリックとしてサポートされているのは Accuracy のみです。そのため、ユーザーが明示的に設定する必要はありません。 |
||
targetColumnName |
string |
ターゲット列名: これは予測値列です。 分類タスクのコンテキストではラベル列名とも呼ばれます。 |
|
taskType | string: |
[必須]AutoMLJob のタスクの種類。 |
|
trainingData |
[必須]トレーニング データの入力。 |
||
validationData |
検証データの入力。 |
TextNer
AutoML NLP 縦書きのテキスト NER タスク。 NER - 名前付きエンティティ認識。 NLP - 自然言語処理。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
featurizationSettings |
AutoML ジョブに必要な特徴付け入力。 |
||
limitSettings |
AutoMLJob の実行制約。 |
||
logVerbosity | Info |
ジョブの詳細度をログに記録します。 |
|
primaryMetric |
Text-NER タスクのプライマリ メトリック。 Text-NER では 'Accuracy' のみがサポートされているため、ユーザーはこれを明示的に設定する必要はありません。 |
||
targetColumnName |
string |
ターゲット列名: これは予測値列です。 分類タスクのコンテキストではラベル列名とも呼ばれます。 |
|
taskType |
string:
TextNER |
[必須]AutoMLJob のタスクの種類。 |
|
trainingData |
[必須]トレーニング データの入力。 |
||
validationData |
検証データの入力。 |
TrialComponent
試用版コンポーネントの定義。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
codeId |
string |
コード資産の ARM リソース ID。 |
|
command |
string |
[必須]ジョブの起動時に実行するコマンド。 例: "python train.py" |
|
distribution | DistributionConfiguration: |
ジョブの配布構成。 設定されている場合、これは Mpi、Tensorflow、PyTorch、または null のいずれかである必要があります。 |
|
environmentId |
string |
[必須]ジョブの環境仕様の ARM リソース ID。 |
|
environmentVariables |
object |
ジョブに含まれる環境変数。 |
|
resources | {} |
ジョブのコンピューティング リソースの構成。 |
TritonModelJobInput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
入力の説明。 |
|
jobInputType |
string:
triton_model |
[必須]ジョブの種類を指定します。 |
|
mode | ReadOnlyMount |
入力アセット配信モード。 |
|
uri |
string |
[必須]入力アセット URI。 |
TritonModelJobOutput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
出力の説明。 |
|
jobOutputType |
string:
triton_model |
[必須]ジョブの種類を指定します。 |
|
mode | ReadWriteMount |
出力資産配信モード。 |
|
uri |
string |
出力アセット URI。 |
TruncationSelectionPolicy
指定された割合の実行を評価間隔ごとに取り消す早期終了ポリシーを定義します。
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
delayEvaluation |
integer |
0 |
最初の評価を遅らせる間隔の数。 |
evaluationInterval |
integer |
0 |
ポリシー評価間の間隔 (実行数)。 |
policyType |
string:
Truncation |
[必須]ポリシー構成の名前 |
|
truncationPercentage |
integer |
0 |
各評価期間に取り消される実行の割合。 |
UriFileJobInput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
入力の説明。 |
|
jobInputType |
string:
uri_file |
[必須]ジョブの種類を指定します。 |
|
mode | ReadOnlyMount |
入力アセット配信モード。 |
|
uri |
string |
[必須]入力アセット URI。 |
UriFileJobOutput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
出力の説明。 |
|
jobOutputType |
string:
uri_file |
[必須]ジョブの種類を指定します。 |
|
mode | ReadWriteMount |
出力資産配信モード。 |
|
uri |
string |
出力アセット URI。 |
UriFolderJobInput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
入力の説明。 |
|
jobInputType |
string:
uri_folder |
[必須]ジョブの種類を指定します。 |
|
mode | ReadOnlyMount |
入力アセット配信モード。 |
|
uri |
string |
[必須]入力アセット URI。 |
UriFolderJobOutput
名前 | 型 | 既定値 | 説明 |
---|---|---|---|
description |
string |
出力の説明。 |
|
jobOutputType |
string:
uri_folder |
[必須]ジョブの種類を指定します。 |
|
mode | ReadWriteMount |
出力資産配信モード。 |
|
uri |
string |
出力アセット URI。 |
UserIdentity
ユーザー ID の構成。
名前 | 型 | 説明 |
---|---|---|
identityType | string: |
[必須]ID フレームワークの種類を指定します。 |
UseStl
時系列ターゲット列の STL 分解を構成します。
名前 | 型 | 説明 |
---|---|---|
None |
string |
stl 分解なし。 |
Season |
string |
|
SeasonTrend |
string |
ValidationMetricType
画像タスクの検証メトリックに使用するメトリック計算方法。
名前 | 型 | 説明 |
---|---|---|
Coco |
string |
Coco メトリック。 |
CocoVoc |
string |
CocoVoc メトリック。 |
None |
string |
メトリックなし。 |
Voc |
string |
Voc メトリック。 |
WebhookType
Webhook コールバック サービスの種類を決定する列挙型。
名前 | 型 | 説明 |
---|---|---|
AzureDevOps |
string |