AutoMLRun Classe
Representa uma execução de experimentação de ML automatizada no Azure Machine Learning.
A classe AutoMLRun pode ser utilizada para gerir uma execução, verificar o estado da execução e obter os detalhes da execução assim que uma execução de AutoML for submetida. Para obter mais informações sobre como trabalhar com execuções de experimentação, consulte a Run classe.
Inicializar uma execução de AutoML.
- Herança
-
AutoMLRun
Construtor
AutoMLRun(experiment, run_id, **kwargs)Parâmetros
Observações
Um objeto AutoMLRun é devolvido quando utiliza o submit método de uma experimentação.
Para obter uma execução que já foi iniciada, utilize o seguinte código:
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')
Métodos
| cancel |
Cancelar uma execução de AutoML. Devolver Verdadeiro se a execução do AutoML tiver sido cancelada com êxito. |
| cancel_iteration |
Cancelar uma execução subordinada específica. |
| complete |
Conclua uma Execução de AutoML. |
| continue_experiment |
Continue uma experimentação de AutoML existente. |
| fail |
Falhar uma Execução de AutoML. Opcionalmente, defina a propriedade Error da execução com uma mensagem ou exceção transmitida para |
| get_best_child |
Devolver a execução subordinada com a melhor classificação para esta Execução de AutoML. |
| get_guardrails |
Imprima e devolva resultados detalhados da execução da verificação do Guardrail. |
| get_output |
Devolver a execução com o melhor pipeline correspondente que já foi testado. Se não forem fornecidos parâmetros de entrada, |
| get_run_sdk_dependencies |
Obtenha as dependências de execução do SDK para uma determinada execução. |
| pause |
Devolver Verdadeiro se a execução do AutoML tiver sido colocada em pausa com êxito. Este método não está implementado. |
| register_model |
Registe o modelo com o serviço ACI do AzureML. |
| resume |
Devolver Verdadeiro se a execução de AutoML tiver sido retomada com êxito. Este método não está implementado. |
| retry |
Devolver Verdadeiro se a execução do AutoML tiver sido repetida com êxito. Este método não está implementado. |
| summary |
Obtenha uma tabela que contenha um resumo dos algoritmos tentados e as respetivas pontuações. |
| wait_for_completion |
Aguarde pela conclusão desta execução. Devolve o objeto de estado após a espera. |
cancel
Cancelar uma execução de AutoML.
Devolver Verdadeiro se a execução do AutoML tiver sido cancelada com êxito.
cancel()Devoluções
Nenhuma
cancel_iteration
Cancelar uma execução subordinada específica.
cancel_iteration(iteration)Parâmetros
Devoluções
Nenhuma
complete
Conclua uma Execução de AutoML.
complete(**kwargs)Devoluções
Nenhuma
continue_experiment
Continue uma experimentação de AutoML existente.
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)Parâmetros
Funcionalidades de formação.
Etiquetas de preparação.
Pesos de exemplo para dados de preparação.
Funcionalidades de validação.
Etiquetas de validação.
pesos de exemplo do conjunto de validação.
Uma lista de colunas permitidas nos dados a utilizar como funcionalidades.
- cv_splits_indices
- ndarray
Indica onde dividir os dados de preparação para validação cruzada. Cada linha é uma dobra cruzada separada e dentro de cada pasta cruzada, fornece 2 matrizes, a primeira com os índices para exemplos a utilizar para a preparação de dados e a segunda com os índices a utilizar para dados de validação. ou seja, [[t1, v1], [t2, v2], ...] em que t1 é o índice de preparação para a primeira dobra cruzada e v1 são os índices de validação para a primeira dobra cruzada.
- spark_context
- <xref:SparkContext>
Contexto do Spark, apenas aplicável quando utilizado no ambiente do Azure Databricks/Spark.
- experiment_timeout_hours
- float
Quantas horas adicionais para executar esta experimentação.
- experiment_exit_score
- int
Se especificado indicar que a experimentação é terminada quando este valor é atingido.
- iterations
- int
Quantas iterações adicionais executar para esta experimentação.
- show_output
- bool
Sinalizador que indica se pretende imprimir a saída para a consola.
- training_data
- <xref:azureml.dataprep.Dataflow> ou DataFrame
Introduzir dados de preparação.
- validation_data
- <xref:azureml.dataprep.Dataflow> ou DataFrame
Dados de validação.
Devoluções
A execução principal do AutoML.
Tipo de retorno
Exceções
fail
Falhar uma Execução de AutoML.
Opcionalmente, defina a propriedade Error da execução com uma mensagem ou exceção transmitida para error_details.
fail(error_details=None, error_code=None, _set_status=True, **kwargs)Parâmetros
- error_code
- str
Código de erro opcional do erro para a classificação de erros.
- _set_status
- bool
Indica se pretende enviar o evento de estado para controlo.
get_best_child
Devolver a execução subordinada com a melhor classificação para esta Execução de AutoML.
get_best_child(metric: str | None = None, onnx_compatible: bool = False, **kwargs: Any) -> RunParâmetros
- metric
- str
A métrica a utilizar ao selecionar a melhor execução a devolver. A predefinição é a métrica primária.
- onnx_compatible
Se pretende devolver apenas execuções que geraram modelos onnx.
- kwargs
Devoluções
Execução Subordinada de AutoML.
get_guardrails
Imprima e devolva resultados detalhados da execução da verificação do Guardrail.
get_guardrails(to_console: bool = True) -> Dict[str, Any]Parâmetros
- to_console
- bool
Indica se deve escrever os resultados da verificação na consola do .
Devoluções
Um dicionário de resultados do verificador.
Tipo de retorno
Exceções
get_output
Devolver a execução com o melhor pipeline correspondente que já foi testado.
Se não forem fornecidos parâmetros de entrada, get_output devolve o melhor pipeline de acordo com a métrica primária. Em alternativa, pode utilizar o iteration parâmetro ou metric para obter uma iteração específica ou a melhor execução por métrica fornecida, respetivamente.
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]Parâmetros
- iteration
- int
O número de iteração da execução correspondente e do modelo ajustado a devolver.
- metric
- str
A métrica a utilizar ao selecionar a melhor execução e modelo ajustado a devolver.
- return_onnx_model
- bool
Este método devolverá o modelo ONNX convertido se o enable_onnx_compatible_models parâmetro tiver sido definido como Verdadeiro no AutoMLConfig objeto.
- return_split_onnx_model
- SplitOnnxModelName
O tipo do modelo de onnx dividido a devolver
Devoluções
A execução, o modelo ajustado correspondente.
Tipo de retorno
Exceções
Observações
Se quiser inspecionar os pré-processadores e algoritmos (avaliador) utilizados, pode fazê-lo através Model.stepsde , semelhante a sklearn.pipeline.Pipeline.steps.
Por exemplo, o código abaixo mostra como obter o avaliador.
best_run, model = parent_run.get_output()
estimator = model.steps[-1]
get_run_sdk_dependencies
Obtenha as dependências de execução do SDK para uma determinada execução.
get_run_sdk_dependencies(iteration=None, check_versions=True, **kwargs)Parâmetros
- iteration
- int
O número de iteração da execução ajustada a obter. Se Não, obtenha o ambiente principal.
- check_versions
- bool
Se for Verdadeiro, verifique as versões com o ambiente atual. Se for Falso, passe.
Devoluções
O dicionário de dependências obtido a partir do RunHistory.
Tipo de retorno
Exceções
pause
Devolver Verdadeiro se a execução do AutoML tiver sido colocada em pausa com êxito.
Este método não está implementado.
pause()Exceções
register_model
Registe o modelo com o serviço ACI do AzureML.
register_model(model_name=None, description=None, tags=None, iteration=None, metric=None)Parâmetros
- iteration
- int
Substitua o modelo a implementar. Implementa o modelo para uma determinada iteração.
- metric
- str
Substitua o modelo a implementar. Implementa o melhor modelo para uma métrica diferente.
Devoluções
O objeto de modelo registado.
Tipo de retorno
resume
Devolver Verdadeiro se a execução de AutoML tiver sido retomada com êxito.
Este método não está implementado.
resume()Exceções
retry
Devolver Verdadeiro se a execução do AutoML tiver sido repetida com êxito.
Este método não está implementado.
retry()Exceções
summary
Obtenha uma tabela que contenha um resumo dos algoritmos tentados e as respetivas pontuações.
summary()Devoluções
DataFrame do Pandas que contém estatísticas do modelo autoML.
Tipo de retorno
wait_for_completion
Aguarde pela conclusão desta execução.
Devolve o objeto de estado após a espera.
wait_for_completion(show_output=False, wait_post_processing=False)Parâmetros
- show_output
- bool
Indica se pretende mostrar o resultado da execução em sys.stdout.
- wait_post_processing
- bool
Indica se deve aguardar que o processamento pós-processamento seja concluído após a conclusão da execução.
Devoluções
O objeto de estado.
Tipo de retorno
Exceções
Atributos
run_id
Devolver o ID de execução da execução atual.
Devoluções
O ID de execução da execução atual.
Tipo de retorno
Comentários
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja: https://aka.ms/ContentUserFeedback.
Submeter e ver comentários