AutoMLRun Klas
Vertegenwoordigt een geautomatiseerd ML-experiment dat wordt uitgevoerd in Azure Machine Learning.
De autoMLRun-klasse kan worden gebruikt om een uitvoering te beheren, de uitvoeringsstatus te controleren en uitvoeringsdetails op te halen zodra een AutoML-uitvoering is verzonden. Zie de klasse voor meer informatie over het Run werken met experimentuitvoeringen.
Initialiseer een AutoML-uitvoering.
- Overname
-
AutoMLRun
Constructor
AutoMLRun(experiment, run_id, **kwargs)Parameters
Opmerkingen
Een AutoMLRun-object wordt geretourneerd wanneer u de submit methode van een experiment gebruikt.
Gebruik de volgende code om een uitvoering op te halen die al is gestart:
from azureml.train.automl.run import AutoMLRun
ws = Workspace.from_config()
experiment = ws.experiments['my-experiment-name']
automl_run = AutoMLRun(experiment, run_id = 'AutoML_9fe201fe-89fd-41cc-905f-2f41a5a98883')
Methoden
| cancel |
Een AutoML-uitvoering annuleren. Retourneer Waar als de AutoML-uitvoering is geannuleerd. |
| cancel_iteration |
Een bepaalde onderliggende uitvoering annuleren. |
| complete |
Voltooi een AutoML-uitvoering. |
| continue_experiment |
Een bestaand AutoML-experiment voortzetten. |
| fail |
Een AutoML-uitvoering mislukt. Stel eventueel de eigenschap Error van de uitvoering in met een bericht of uitzondering die is doorgegeven aan |
| get_best_child |
Retourneer de onderliggende uitvoering met de beste score voor deze AutoML-uitvoering. |
| get_guardrails |
Gedetailleerde resultaten van het uitvoeren van Guardrail-verificatie afdrukken en retourneren. |
| get_output |
Retourneer de uitvoering met de bijbehorende beste pijplijn die al is getest. Als er geen invoerparameters worden opgegeven, |
| get_run_sdk_dependencies |
Haal de SDK-uitvoeringsafhankelijkheden op voor een bepaalde uitvoering. |
| pause |
Retourneer Waar als de AutoML-uitvoering is onderbroken. Deze methode is niet geïmplementeerd. |
| register_model |
Registreer het model bij de AzureML ACI-service. |
| resume |
Retourneer Waar als de AutoML-uitvoering is hervat. Deze methode is niet geïmplementeerd. |
| retry |
Retourneer Waar als de AutoML-uitvoering opnieuw is geprobeerd. Deze methode is niet geïmplementeerd. |
| summary |
Haal een tabel op met een samenvatting van de algoritmen die zijn geprobeerd en de bijbehorende scores. |
| wait_for_completion |
Wacht totdat deze uitvoering is voltooid. Retourneert het statusobject na de wachttijd. |
cancel
Een AutoML-uitvoering annuleren.
Retourneer Waar als de AutoML-uitvoering is geannuleerd.
cancel()Retouren
Geen
cancel_iteration
Een bepaalde onderliggende uitvoering annuleren.
cancel_iteration(iteration)Parameters
Retouren
Geen
complete
Voltooi een AutoML-uitvoering.
complete(**kwargs)Retouren
Geen
continue_experiment
Een bestaand AutoML-experiment voortzetten.
continue_experiment(X=None, y=None, sample_weight=None, X_valid=None, y_valid=None, sample_weight_valid=None, data=None, label=None, columns=None, cv_splits_indices=None, spark_context=None, experiment_timeout_hours=None, experiment_exit_score=None, iterations=None, show_output=False, training_data=None, validation_data=None, **kwargs)Parameters
Voorbeeldgewichten voor trainingsgegevens.
Validatiefuncties.
Validatielabels.
voorbeeldgewichten van validatieset.
Een lijst met toegestane kolommen in de gegevens die als functies moeten worden gebruikt.
- cv_splits_indices
- ndarray
Indexen waar trainingsgegevens moeten worden gesplitst voor kruisvalidatie. Elke rij is een afzonderlijke kruisvouw en geef binnen elke kruismap twee matrices op, de eerste met de indexen voor voorbeelden die moeten worden gebruikt voor trainingsgegevens en de tweede met de indexen die moeten worden gebruikt voor validatiegegevens. bijvoorbeeld [[t1, v1], [t2, v2], ...] waarbij t1 de trainingsindexen voor de eerste kruisvouw is en v1 de validatie-indexen voor de eerste kruisvouw is.
- spark_context
- <xref:SparkContext>
Spark-context, alleen van toepassing wanneer deze wordt gebruikt in een Azure Databricks-/Spark-omgeving.
- experiment_timeout_hours
- float
Hoeveel extra uren moet dit experiment worden uitgevoerd.
- experiment_exit_score
- int
Indien opgegeven geeft aan dat het experiment wordt beëindigd wanneer deze waarde is bereikt.
- iterations
- int
Hoeveel extra iteraties moeten worden uitgevoerd voor dit experiment.
- show_output
- bool
Vlag die aangeeft of uitvoer naar de console moet worden afgedrukt.
- training_data
- <xref:azureml.dataprep.Dataflow> of DataFrame
Trainingsgegevens invoeren.
- validation_data
- <xref:azureml.dataprep.Dataflow> of DataFrame
Validatiegegevens.
Retouren
De bovenliggende AutoML-uitvoering.
Retourtype
Uitzonderingen
fail
Een AutoML-uitvoering mislukt.
Stel eventueel de eigenschap Error van de uitvoering in met een bericht of uitzondering die is doorgegeven aan error_details.
fail(error_details=None, error_code=None, _set_status=True, **kwargs)Parameters
- _set_status
- bool
Hiermee wordt aangegeven of de status-gebeurtenis voor het bijhouden moet worden verzonden.
get_best_child
Retourneer de onderliggende uitvoering met de beste score voor deze AutoML-uitvoering.
get_best_child(metric: str | None = None, onnx_compatible: bool = False, **kwargs: Any) -> RunParameters
- metric
- str
De metrische waarde die moet worden gebruikt bij het selecteren van de beste uitvoering die u wilt retourneren. Standaard ingesteld op het primaire metrische gegeven.
- onnx_compatible
Hiermee wordt aangegeven of alleen uitvoeringen worden geretourneerd die onnx-modellen hebben gegenereerd.
- kwargs
Retouren
Onderliggende autoML-uitvoering.
get_guardrails
Gedetailleerde resultaten van het uitvoeren van Guardrail-verificatie afdrukken en retourneren.
get_guardrails(to_console: bool = True) -> Dict[str, Any]Parameters
- to_console
- bool
Geeft aan of de verificatieresultaten naar de console moeten worden geschreven.
Retouren
Een woordenlijst met controleresultaten.
Retourtype
Uitzonderingen
get_output
Retourneer de uitvoering met de bijbehorende beste pijplijn die al is getest.
Als er geen invoerparameters worden opgegeven, get_output retourneert de beste pijplijn op basis van de primaire metrische waarde. U kunt ook de iteration parameter of metric gebruiken om respectievelijk een bepaalde iteratie of de beste uitvoering per opgegeven metrische waarde op te halen.
get_output(iteration: int | None = None, metric: str | None = None, return_onnx_model: bool = False, return_split_onnx_model: SplitOnnxModelName | None = None, **kwargs: Any) -> Tuple[Run, Any]Parameters
- iteration
- int
Het iteratienummer van de bijbehorende uitvoering en het aangepaste model dat moet worden geretourneerd.
- metric
- str
De metrische waarde die moet worden gebruikt bij het selecteren van de beste uitvoering en het aangepaste model dat moet worden geretourneerd.
- return_onnx_model
- bool
Deze methode retourneert het geconverteerde ONNX-model als de enable_onnx_compatible_models parameter is ingesteld op True in het AutoMLConfig -object.
- return_split_onnx_model
- SplitOnnxModelName
Het type van het gesplitste onnx-model dat moet worden geretourneerd
Retouren
De uitvoering, het bijbehorende aangepaste model.
Retourtype
Uitzonderingen
Opmerkingen
Als u de gebruikte preprocessor(s) en het algoritme (estimator) wilt inspecteren, kunt u dit doen via Model.steps, vergelijkbaar met sklearn.pipeline.Pipeline.steps.
De onderstaande code laat bijvoorbeeld zien hoe u de estimator ophaalt.
best_run, model = parent_run.get_output()
estimator = model.steps[-1]
get_run_sdk_dependencies
Haal de SDK-uitvoeringsafhankelijkheden op voor een bepaalde uitvoering.
get_run_sdk_dependencies(iteration=None, check_versions=True, **kwargs)Parameters
- iteration
- int
Het iteratienummer van de aangepaste uitvoering die moet worden opgehaald. Als dit geen is, haalt u de bovenliggende omgeving op.
- check_versions
- bool
Indien waar, controleert u de versies met de huidige omgeving. Als onwaar is, geeft u door.
Retouren
De woordenlijst met afhankelijkheden die zijn opgehaald uit RunHistory.
Retourtype
Uitzonderingen
pause
Retourneer Waar als de AutoML-uitvoering is onderbroken.
Deze methode is niet geïmplementeerd.
pause()Uitzonderingen
register_model
Registreer het model bij de AzureML ACI-service.
register_model(model_name=None, description=None, tags=None, iteration=None, metric=None)Parameters
- iteration
- int
Overschrijven voor welk model moet worden geïmplementeerd. Hiermee wordt het model voor een bepaalde iteratie geïmplementeerd.
- metric
- str
Overschrijven voor welk model moet worden geïmplementeerd. Hiermee implementeert u het beste model voor een andere metrische waarde.
Retouren
Het geregistreerde modelobject.
Retourtype
resume
Retourneer Waar als de AutoML-uitvoering is hervat.
Deze methode is niet geïmplementeerd.
resume()Uitzonderingen
retry
Retourneer Waar als de AutoML-uitvoering opnieuw is geprobeerd.
Deze methode is niet geïmplementeerd.
retry()Uitzonderingen
summary
Haal een tabel op met een samenvatting van de algoritmen die zijn geprobeerd en de bijbehorende scores.
summary()Retouren
Pandas DataFrame met AutoML-modelstatistieken.
Retourtype
wait_for_completion
Wacht totdat deze uitvoering is voltooid.
Retourneert het statusobject na de wachttijd.
wait_for_completion(show_output=False, wait_post_processing=False)Parameters
- show_output
- bool
Geeft aan of de uitvoer van de uitvoering op sys.stdout moet worden weergegeven.
- wait_post_processing
- bool
Geeft aan of moet worden gewacht tot de naverwerking is voltooid nadat de uitvoering is voltooid.
Retouren
Het statusobject.
Retourtype
Uitzonderingen
Kenmerken
run_id
Retourneer de uitvoerings-id van de huidige uitvoering.
Retouren
De uitvoerings-id van de huidige uitvoering.
Retourtype
Feedback
Binnenkort beschikbaar: In de loop van 2024 zullen we GitHub-problemen geleidelijk uitfaseren als het feedbackmechanisme voor inhoud en deze vervangen door een nieuw feedbacksysteem. Zie voor meer informatie: https://aka.ms/ContentUserFeedback.
Feedback verzenden en weergeven voor