Vad är automatisk maskin inlärning (AutoML)?What is automated machine learning (AutoML)?

Automatisk maskin inlärning, som också kallas automatisk ML eller AutoML, är en process för att automatisera tids krävande, repetitiva uppgifter om utveckling av maskin inlärnings modeller.Automated machine learning, also referred to as automated ML or AutoML, is the process of automating the time consuming, iterative tasks of machine learning model development. Det gör det möjligt för data experter, analytiker och utvecklare att bygga ML-modeller med hög skalbarhet, effektivitet och produktivitet samtidigt som modell kvaliteten försämras.It allows data scientists, analysts, and developers to build ML models with high scale, efficiency, and productivity all while sustaining model quality. Automatisk ML baseras på en Ban brytande från vår Microsoft Research-avdelning.Automated ML is based on a breakthrough from our Microsoft Research division.

Traditionell miljö utveckling för maskin inlärning är resurs intensiv, vilket kräver betydande domän kunskap och tid för att producera och jämföra dussin tals modeller.Traditional machine learning model development is resource-intensive, requiring significant domain knowledge and time to produce and compare dozens of models. Med automatisk maskin inlärning kan du påskynda den tid det tar att få produktions klara ML-modeller med mycket enkelt och effektivt.With automated machine learning, you'll accelerate the time it takes to get production-ready ML models with great ease and efficiency.

När du ska använda AutoML: klassificera, regression, & prognosWhen to use AutoML: classify, regression, & forecast

Använd automatisk ML när du vill Azure Machine Learning för att träna och finjustera en modell för att använda det målmått du anger.Apply automated ML when you want Azure Machine Learning to train and tune a model for you using the target metric you specify. Automatiserad ML demokratiserar sakernas utvecklings processen för maskin inlärning och ger användarna möjlighet att, oavsett data vetenskaps expert, identifiera en pipeline för maskin inlärning från slut punkt till slut punkt för alla problem.Automated ML democratizes the machine learning model development process, and empowers its users, no matter their data science expertise, to identify an end-to-end machine learning pipeline for any problem.

Data experter, analytiker och utvecklare i olika branscher kan använda automatisk ML för att:Data scientists, analysts, and developers across industries can use automated ML to:

  • Implementera ML-lösningar utan omfattande programmerings kunskapImplement ML solutions without extensive programming knowledge
  • Spara tid och resurserSave time and resources
  • Utnyttja metod tips för data vetenskapLeverage data science best practices
  • Ge smidig problemlösningProvide agile problem-solving

KlassificeringClassification

Klassificering är en vanlig maskin inlärnings uppgift.Classification is a common machine learning task. Klassificering är en typ av övervakad inlärning där modeller lär sig använda tränings data och tillämpa dem på nya data.Classification is a type of supervised learning in which models learn using training data, and apply those learnings to new data. Azure Machine Learning erbjuder featurizations specifikt för dessa uppgifter, till exempel djup neurala Network text featurizers för klassificering.Azure Machine Learning offers featurizations specifically for these tasks, such as deep neural network text featurizers for classification. Läs mer om funktionalisering-alternativ.Learn more about featurization options.

Det huvudsakliga målet med klassificerings modeller är att förutsäga vilka kategorier nya data kommer att ingå i baserat på inlärnings data.The main goal of classification models is to predict which categories new data will fall into based on learnings from its training data. Vanliga klassificerings exempel är bedrägeri identifiering, hand SKRIFTS igenkänning och objekt identifiering.Common classification examples include fraud detection, handwriting recognition, and object detection. Läs mer och se ett exempel på hur du skapar en klassificerings modell med automatiserad ml.Learn more and see an example at Create a classification model with automated ML.

Se exempel på klassificering och automatisk maskin inlärning i de här python-anteckningarna: bedrägeri identifiering, marknads förutsägelseoch diskussions grupps data klassificeringSee examples of classification and automated machine learning in these Python notebooks: Fraud Detection, Marketing Prediction, and Newsgroup Data Classification

RegressionRegression

Regressions aktiviteter liknar klassificeringen och är också en gemensam övervakad utbildnings uppgift.Similar to classification, regression tasks are also a common supervised learning task. Azure Machine Learning erbjuder featurizations specifikt för dessa uppgifter.Azure Machine Learning offers featurizations specifically for these tasks.

Det skiljer sig från klassificeringen där förutsägande utdatakolumner är kategoriska. Regressions modeller förutsäger numeriska utmatnings värden baserat på oberoende förförutsägelser.Different from classification where predicted output values are categorical, regression models predict numerical output values based on independent predictors. Syftet med regressionen är att hjälpa till att upprätta relationen mellan de oberoende förutsägande variablerna genom att uppskatta hur en variabel påverkar de andra.In regression, the objective is to help establish the relationship among those independent predictor variables by estimating how one variable impacts the others. Till exempel, bil pris baserat på funktioner som gas mil, säkerhets klassificering osv.For example, automobile price based on features like, gas mileage, safety rating, etc. Läs mer och se ett exempel på regression med automatiserad maskin inlärning.Learn more and see an example of regression with automated machine learning.

Se exempel på regression och automatiserad maskin inlärning för förutsägelser i dessa python-anteckningsböcker: CPU-prestanda förutsägelse,See examples of regression and automated machine learning for predictions in these Python notebooks: CPU Performance Prediction,

Prognoser för tids serierTime-series forecasting

Att skapa prognoser är en viktig del av alla verksamheter, vare sig det gäller intäkter, inventering, försäljning eller kund efter frågan.Building forecasts is an integral part of any business, whether it's revenue, inventory, sales, or customer demand. Du kan använda automatiserad ML för att kombinera teknik och metoder och få en rekommenderad prognos för tids serier med hög kvalitet.You can use automated ML to combine techniques and approaches and get a recommended, high-quality time-series forecast. Lär dig mer med den här instruktionen: Automatisk maskin inlärning för tids serie prognoser.Learn more with this how-to: automated machine learning for time series forecasting.

Ett automatiserat experiment med tids serier behandlas som ett multivarierad Regressions problem.An automated time-series experiment is treated as a multivariate regression problem. Tidigare tids serie värden är "pivoterade" för att bli ytterligare dimensioner för modellerings regressor tillsammans med andra förutsägelser.Past time-series values are "pivoted" to become additional dimensions for the regressor together with other predictors. Den här metoden, till skillnad från klassiska Time Series-metoder, har en fördel med att använda flera sammanhangsbaserade variabler och deras relation till varandra under utbildningen.This approach, unlike classical time series methods, has an advantage of naturally incorporating multiple contextual variables and their relationship to one another during training. Med automatisk ML får du en enda, men ofta ingrenad modell för alla objekt i data uppsättningen och förutsägelserna.Automated ML learns a single, but often internally branched model for all items in the dataset and prediction horizons. Mer data är därför tillgängliga för att uppskatta modell parametrar och generalisering till osett-serien blir möjlig.More data is thus available to estimate model parameters and generalization to unseen series becomes possible.

Konfiguration av avancerad prognos omfattar:Advanced forecasting configuration includes:

  • jul avkänning och funktionaliseringholiday detection and featurization
  • Time-Series och DNN-elever (Auto-ARIMA, Prophet, ForecastTCN)time-series and DNN learners (Auto-ARIMA, Prophet, ForecastTCN)
  • många modeller stöder grupperingmany models support through grouping
  • kors validering av rullande ursprungrolling-origin cross validation
  • konfigurerbar lagsconfigurable lags
  • mängd funktioner för rullande fönsterrolling window aggregate features

Se exempel på regression och automatiserad maskin inlärning för förutsägelser i de här python-antecknings böckerna: försäljnings prognoser, prognoser för efter fråganoch dryckens produktions prognos.See examples of regression and automated machine learning for predictions in these Python notebooks: Sales Forecasting, Demand Forecasting, and Beverage Production Forecast.

Så här fungerar AutoMLHow AutoML works

Under utbildningen skapar Azure Machine Learning ett antal pipelines parallellt som testar olika algoritmer och parametrar.During training, Azure Machine Learning creates a number of pipelines in parallel that try different algorithms and parameters for you. Tjänsten itererar genom ML-algoritmer med funktions val där varje iteration genererar en modell med en utbildnings poäng.The service iterates through ML algorithms paired with feature selections, where each iteration produces a model with a training score. Ju högre poäng, desto bättre blir modellen att "passa" dina data.The higher the score, the better the model is considered to "fit" your data. Det stoppas när det träffar de slut kriterier som definierats i experimentet.It will stop once it hits the exit criteria defined in the experiment.

Med hjälp av Azure Machine Learningkan du utforma och köra dina AUTOMATISERAde ml-experiment med följande steg:Using Azure Machine Learning, you can design and run your automated ML training experiments with these steps:

  1. Identifiera det ml-problem som ska lösas: klassificering, Prognosticering eller regressionIdentify the ML problem to be solved: classification, forecasting, or regression

  2. Välj om du vill använda python SDK eller Studio Web Experience: Lär dig mer om pariteten mellan webb upplevelsen python SDK och Studio.Choose whether you want to use the Python SDK or the studio web experience: Learn about the parity between the Python SDK and studio web experience.

    Viktigt

    Funktionerna i den här Studio, https://ml.azure.com är bara tillgängliga från Enterprise-arbetsytor.The functionality in this studio, https://ml.azure.com, is accessible from Enterprise workspaces only. Läs mer om utgåvor och uppgradering.Learn more about editions and upgrading.

  3. Ange källa och format för etiketten utbildnings data: numpy-matriser eller Pandas-dataframeSpecify the source and format of the labeled training data: Numpy arrays or Pandas dataframe

  4. Konfigurera beräknings målet för modell träning, till exempel din lokala dator, Azure Machine Learning beräkningar, fjärranslutna virtuella datorer eller Azure Databricks.Configure the compute target for model training, such as your local computer, Azure Machine Learning Computes, remote VMs, or Azure Databricks. Lär dig mer om automatisk utbildning på en fjär resurs.Learn about automated training on a remote resource.

  5. Konfigurera de automatiserade Machine Learning-parametrarna som avgör hur många iterationer över olika modeller, inställningar för funktionalisering, avancerade förbearbetnings-/och vilka mått som ska visas när du bestämmer den bästa modellen.Configure the automated machine learning parameters that determine how many iterations over different models, hyperparameter settings, advanced preprocessing/featurization, and what metrics to look at when determining the best model.

  6. Skicka in utbildnings körningen.Submit the training run.

  7. Granska resultatenReview the results

Följande diagram illustrerar den här processen.The following diagram illustrates this process. Automatisk maskin inlärningAutomated Machine learning

Du kan också kontrol lera den loggade körnings informationen, som innehåller mått som samlats in under körningen.You can also inspect the logged run information, which contains metrics gathered during the run. Inlärnings körningen genererar ett serialiserat objekt ( .pkl fil) som innehåller modellen och data förbearbetningen.The training run produces a Python serialized object (.pkl file) that contains the model and data preprocessing.

När modell byggnaden automatiseras, kan du också lära dig hur viktiga eller relevanta funktioner är i de genererade modellerna.While model building is automated, you can also learn how important or relevant features are to the generated models.

Lär dig hur du använder ett fjärrberäknings mål.Learn how to use a remote compute target.

FunktionsframställningFeature engineering

Funktions teknik är en process där du använder domän information om data för att skapa funktioner som hjälper ML-algoritmer att lära sig bättre.Feature engineering is the process of using domain knowledge of the data to create features that help ML algorithms learn better. I Azure Machine Learning används skalnings-och normaliserings tekniker för att under lätta funktions teknikerna.In Azure Machine Learning, scaling and normalization techniques are applied to facilitate feature engineering. De här teknikerna och funktions teknikerna kallas gemensamt för funktionalisering.Collectively, these techniques and feature engineering are referred to as featurization.

För automatiserade maskin inlärnings experiment används funktionalisering automatiskt, men kan också anpassas baserat på dina data.For automated machine learning experiments, featurization is applied automatically, but can also be customized based on your data. Läs mer om vad funktionalisering ingår.Learn more about what featurization is included.

Anteckning

Automatiserade funktionalisering-steg för Machine Learning (funktions normalisering, hantering av data som saknas, konvertering av text till tal osv.) blir en del av den underliggande modellen.Automated machine learning featurization steps (feature normalization, handling missing data, converting text to numeric, etc.) become part of the underlying model. När du använder modellen för förutsägelser tillämpas samma funktionalisering-steg som tillämpades under träningen på dina indata automatiskt.When using the model for predictions, the same featurization steps applied during training are applied to your input data automatically.

Automatisk funktionalisering (standard)Automatic featurization (standard)

I varje automatiserad maskin inlärnings experiment skalas dina data automatiskt eller normaliseras för att hjälpa algoritmerna att fungera bra.In every automated machine learning experiment, your data is automatically scaled or normalized to help algorithms perform well. I modell utbildningen används en av följande skalnings-eller normaliserings tekniker för varje modell.During model training, one of the following scaling or normalization techniques will be applied to each model. Lär dig hur AutoML bidrar till att förhindra överanpassning och obalanserade data i dina modeller.Learn how AutoML helps prevent over-fitting and imbalanced data in your models.

Skala   &   normaliseringScaling & normalization BeskrivningDescription
StandardScaleWrapperStandardScaleWrapper Standardisera funktioner genom att ta bort medelvärdet och skalan till enhets avvikelseStandardize features by removing the mean and scaling to unit variance
MinMaxScalarMinMaxScalar Transformerar funktioner genom att skala varje funktion efter minsta och högsta värde för kolumnenTransforms features by scaling each feature by that column's minimum and maximum
MaxAbsScalerMaxAbsScaler Skala varje funktion efter dess maximala absoluta värdeScale each feature by its maximum absolute value
RobustScalarRobustScalar De här skalnings funktionerna efter deras quantile-intervallThis Scaler features by their quantile range
PCAPCA Linjär linjär reducering med enkel värdes nedbrytning av data för att projicera den till ett lägre dimensionellt utrymmeLinear dimensionality reduction using Singular Value Decomposition of the data to project it to a lower dimensional space
TruncatedSVDWrapperTruncatedSVDWrapper Den här transformeringen utför linjär minskning genom trunkering av sammansatta värde diskompositioner (SVD).This transformer performs linear dimensionality reduction by means of truncated singular value decomposition (SVD). I motsats till PCA centrerar denna uppskattning inte data innan du beräknar ett uppdelnings värde för en enkel värde, vilket innebär att det fungerar med scipy. glesa matriser effektivtContrary to PCA, this estimator does not center the data before computing the singular value decomposition, which means it can work with scipy.sparse matrices efficiently
SparseNormalizerSparseNormalizer Varje exempel (det vill säga varje rad i data matrisen) med minst en komponent som inte är noll skalas om oberoende av andra prover så att dess norm (L1 eller L2) är lika med ettEach sample (that is, each row of the data matrix) with at least one non-zero component is rescaled independently of other samples so that its norm (l1 or l2) equals one

Anpassa funktionaliseringCustomize featurization

Ytterligare funktioner teknik tekniker som, kodning och transformeringar är också tillgängliga.Additional feature engineering techniques such as, encoding and transforms are also available.

Aktivera den här inställningen med:Enable this setting with:

  • Azure Machine Learning Studio: aktivera Automatisk funktionalisering i avsnittet Visa ytterligare konfiguration med de här stegen.Azure Machine Learning studio: Enable Automatic featurization in the View additional configuration section with these steps.

  • Python SDK: ange "feauturization": 'auto' / 'off' / 'FeaturizationConfig' i AutoMLConfig -objektet.Python SDK: Specify "feauturization": 'auto' / 'off' / 'FeaturizationConfig' in your AutoMLConfig object. Läs mer om hur du aktiverar funktionalisering.Learn more about enabling featurization.

Ensemble-modellerEnsemble models

Automatisk Machine Learning stöder Ensemble-modeller som är aktiverade som standard.Automated machine learning supports ensemble models, which are enabled by default. Ensemble-inlärningen förbättrar maskin inlärnings resultatet och förutsäger prestanda genom att kombinera flera modeller i stället för att använda enskilda modeller.Ensemble learning improves machine learning results and predictive performance by combining multiple models as opposed to using single models. Ensemble-iterationerna visas som de slutliga iterationerna av din körning.The ensemble iterations appear as the final iterations of your run. Automatiserad Machine Learning använder både röstnings-och stack-Ensemble-metoder för att kombinera modeller:Automated machine learning uses both voting and stacking ensemble methods for combining models:

  • Röstning: förutsäger baserat på viktat medelvärde för förutsebara klass sannolikheter (för klassificerings aktiviteter) eller förutsägande Regressions mål (för Regressions aktiviteter).Voting: predicts based on the weighted average of predicted class probabilities (for classification tasks) or predicted regression targets (for regression tasks).
  • Stackning: stackning kombinerar heterogena modeller och tågen en meta-modell som baseras på utdata från de enskilda modellerna.Stacking: stacking combines heterogenous models and trains a meta-model based on the output from the individual models. De aktuella standard-meta-modellerna är LogisticRegression för klassificerings uppgifter och ElasticNet för Regressions-/prognos uppgifter.The current default meta-models are LogisticRegression for classification tasks and ElasticNet for regression/forecasting tasks.

Caruana Ensemble-algoritmen med sorterad Ensemble-initiering används för att bestämma vilka modeller som ska användas i ensemblen.The Caruana ensemble selection algorithm with sorted ensemble initialization is used to decide which models to use within the ensemble. På hög nivå initierar den här algoritmen ensemblen med upp till fem modeller med de bästa enskilda poängen, och kontrollerar att dessa modeller är inom tröskelvärdet 5% för att undvika en dålig inledande ensemble.At a high level, this algorithm initializes the ensemble with up to five models with the best individual scores, and verifies that these models are within 5% threshold of the best score to avoid a poor initial ensemble. För varje Ensemble-iteration läggs en ny modell till i den befintliga ensemblen och den resulterande poängen beräknas.Then for each ensemble iteration, a new model is added to the existing ensemble and the resulting score is calculated. Om en ny modell förbättrar den befintliga Ensemble-poängen uppdateras ensemblen för att inkludera den nya modellen.If a new model improved the existing ensemble score, the ensemble is updated to include the new model.

Se hur du ändrar standardinställningar för ensemble i automatiserad maskin inlärning.See the how-to for changing default ensemble settings in automated machine learning.

Vägledning om lokala kontra fjärrstyrda ML-Compute-målGuidance on local vs. remote managed ML compute targets

Webb gränssnittet för automatisk ML använder alltid ett fjärrberäknings mål.The web interface for automated ML always uses a remote compute target. Men när du använder python SDK väljer du antingen en lokal beräkning eller ett fjärrberäknings mål för automatisk ML-utbildning.But when you use the Python SDK, you will choose either a local compute or a remote compute target for automated ML training.

  • Lokal beräkning: träning sker på din lokala bärbara eller VM-beräkning.Local compute: Training occurs on your local laptop or VM compute.
  • Fjärrberäkning: utbildning sker på Machine Learning beräknings kluster.Remote compute: Training occurs on Machine Learning compute clusters.

Välj Compute TargetChoose compute target

Tänk på följande faktorer när du väljer Compute-målet:Consider these factors when choosing your compute target:

  • Välj en lokal beräkning: om ditt scenario är om inledande utforskningar eller demonstrationer som använder små data och korta tåg (t. ex. sekunder eller ett par minuter per underordnad körning) kan utbildning på din lokala dator vara ett bättre alternativ.Choose a local compute: If your scenario is about initial explorations or demos using small data and short trains (i.e. seconds or a couple of minutes per child run), training on your local computer might be a better choice. Det finns ingen konfigurations tid, infrastruktur resurserna (din dator eller VM) är direkt tillgängliga.There is no setup time, the infrastructure resources (your PC or VM) are directly available.
  • Välj ett fjärran slutet ml-beräknings kluster: om du tränar med större data uppsättningar som i produktions träning skapar modeller som behöver längre tåg, ger fjärrberäkningen mycket bättre prestanda för slut punkt till slut punkt eftersom AutoML kommer att parallellisera tågen över klustrets noder.Chose a remote ML compute cluster: If you are training with larger datasets like in production training creating models which need longer trains, remote compute will provide much better end-to-end time performance because AutoML will parallelize trains across the cluster's nodes. Vid en fjärrberäkning kommer start tiden för den interna infrastrukturen att läggas till cirka 1,5 minuter per underordnad körning, plus ytterligare minuter för kluster infrastrukturen om de virtuella datorerna inte är igång ännu.On a remote compute, the start up time for the internal infrastructure will add around 1.5 minutes per child run, plus additional minutes for the cluster infrastructure if the VMs are not yet up and running.

-Och nack delarPros and cons

Överväg dessa tekniker och nack delar när du väljer att använda lokala kontra fjärranslutna.Consider these pros and cons when choosing to use local vs. remote.

-Proffs (fördelar)Pros (Advantages) Nack delar (handikapp)Cons (Handicaps)
Lokalt beräknings målLocal compute target
  • Ingen miljö start tidNo environment start up time
  • Delmängd av funktionerSubset of features
  • Det går inte att parallellisera körningarCan't parallelize runs
  • Sämre för stora data.Worse for large data.
  • Ingen data strömning vid utbildningNo data streaming while training
  • Ingen DNN-baserad funktionaliseringNo DNN-based featurization
  • Endast python SDKPython SDK only
  • Fjärran slutet beräknings klusterRemote ML compute clusters
  • Fullständig uppsättning funktionerFull set of features
  • Parallellisera underordnade körningarParallelize child runs
  • Stöd för stora dataLarge data support
  • DNN-baserad funktionaliseringDNN-based featurization
  • Dynamisk skalbarhet för beräknings kluster på begäranDynamic scalability of compute cluster on demand
  • Ingen kod upplevelse (webb gränssnitt) är också tillgängligNo-code experience (web UI) also available
  • Start tid för klusternoderStart up time for cluster nodes
  • Start tid för varje underordnad körningStart up time for each child run
  • FunktionstillgänglighetFeature availability

    Fler funktioner är tillgängliga när du använder fjärrberäkningen, som du ser i tabellen nedan.More features are available when you use the remote compute, as shown in the table below. Vissa av dessa funktioner är endast tillgängliga i en Enterprise-arbetsyta.Some of these features are available only in an Enterprise workspace.

    FunktionFeature FjärranslutenRemote LokalLocal InnebärRequires
    Enterprise-arbetsytaEnterprise workspace
    Data strömning (stöd för stora data, upp till 100 GB)Data streaming (Large data support, up to 100 GB)
    DNN – BERT text funktionalisering and TrainingDNN-BERT-based text featurization and training
    Föråldrad GPU-support (utbildning och härledning)Out-of-the-box GPU support (training and inference)
    Stöd för bild klassificering och etiketteringImage Classification and Labeling support
    ARIMA, Prophet och ForecastTCN modeller för PrognosticeringAuto-ARIMA, Prophet and ForecastTCN models for forecasting
    Flera körningar/iterationer parallelltMultiple runs/iterations in parallel
    Skapa modeller med tolknings möjligheter i AutoML Studio Web Experience UICreate models with interpretability in AutoML studio web experience UI
    Anpassning av funktions teknik i gränssnittet för Studio Web ExperienceFeature engineering customization in studio web experience UI
    Justering av Azure ML-min parameterAzure ML hyperparameter tuning
    Support för Azure ML pipeline-arbetsflödeAzure ML Pipeline workflow support
    Fortsätt en körningContinue a run
    PrognosticeringForecasting
    Skapa och köra experiment i antecknings böckerCreate and run experiments in notebooks
    Registrera och visualisera experimentets information och mått i användar gränssnittetRegister and visualize experiment's info and metrics in UI
    Data guardrailsData guardrails

    Många modellerMany models

    Många modeller Solution Accelerator (för hands version) bygger på Azure Machine Learning och gör att du kan använda automatisk ml för att träna, hantera och hantera hundratals eller till och med tusentals maskin inlärnings modeller.The Many Models Solution Accelerator (preview) builds on Azure Machine Learning and enables you to use automated ML to train, operate, and manage hundreds or even thousands of machine learning models.

    Att till exempel skapa en modell för varje instans eller individ i följande scenarier kan leda till förbättrade resultat:For example, building a model for each instance or individual in the following scenarios can lead to improved results:

    • Förutsäga försäljning för varje enskilt lagerPredicting sales for each individual store
    • Förutsägelse underhåll för hundratals olje brunnarPredictive maintenance for hundreds of oil wells
    • Skräddarsy en upplevelse för enskilda användare.Tailoring an experience for individual users.

    Mer information finns i många modeller Solution Accelerator på GitHub.For more information, see the Many Models Solution Accelerator on GitHub.

    AutoML i Azure Machine LearningAutoML in Azure Machine Learning

    Azure Machine Learning erbjuder två upplevelser för att arbeta med automatiserade MLAzure Machine Learning offers two experiences for working with automated ML

    Experiment inställningarExperiment settings

    Med följande inställningar kan du konfigurera ditt automatiserade ML-experiment.The following settings allow you to configure your automated ML experiment.

    Python SDKThe Python SDK Studio-webbmiljönThe studio web experience
    Dela upp data i tåg/verifierings uppsättningarSplit data into train/validation sets
    Har stöd för ML-aktiviteter: klassificering, regression och PrognosticeringSupports ML tasks: classification, regression, and forecasting
    Optimerar baserat på primärt måttOptimizes based on primary metric
    Stöder AML Compute as Compute TargetSupports AML compute as compute target
    Konfigurera en prognos horisont, mål lags & rullande fönsterConfigure forecast horizon, target lags & rolling window
    Ange avslutnings villkorSet exit criteria
    Ange samtidiga iterationerSet concurrent iterations
    Släpp kolumnerDrop columns
    Blockera algoritmerBlock algorithms
    Kors valideringCross validation
    Stöder utbildning i Azure Databricks klusterSupports training on Azure Databricks clusters
    Visa namn på förtillverkade funktionerView engineered feature names
    Sammanfattning av funktionaliseringFeaturization summary
    Funktionalisering för helgdagarFeaturization for holidays
    Utförliga logg fils nivåerLog file verbosity levels

    Modell inställningarModel settings

    De här inställningarna kan tillämpas på den bästa modellen som ett resultat av ditt automatiserade ML-experiment.These settings can be applied to the best model as a result of your automated ML experiment.

    Python SDKThe Python SDK Studio-webbmiljönThe studio web experience
    Bästa modell registrering, distribution, förklaringBest model registration, deployment, explainability
    Aktivera röstnings Ensemble & stack Ensemble-modellerEnable voting ensemble & stack ensemble models
    Visa bästa modellen baserat på icke-primära måttShow best model based on non-primary metric
    Aktivera/inaktivera kompatibilitet för ONNX-modellEnable/disable ONNX model compatibility
    Testa modellenTest the model

    Kör kontroll inställningarRun control settings

    Med de här inställningarna kan du granska och kontrol lera experiment körningarna och dess underordnade körningar.These settings allow you to review and control your experiment runs and its child runs.

    Python SDKThe Python SDK Studio-webbmiljönThe studio web experience
    Kör sammanfattnings tabellRun summary table
    Avbryt körning & underordnade körningarCancel runs & child runs
    Hämta guardrailsGet guardrails
    Pausa & återuppta körningarPause & resume runs

    AutoML & ONNXAutoML & ONNX

    Med Azure Machine Learning kan du använda automatisk ML för att bygga en python-modell och konvertera den till ONNX-format.With Azure Machine Learning, you can use automated ML to build a Python model and have it converted to the ONNX format. När modellerna är i ONNX-formatet kan de köras på olika plattformar och enheter.Once the models are in the ONNX format, they can be run on a variety of platforms and devices. Lär dig mer om att accelerera ml-modeller med ONNX.Learn more about accelerating ML models with ONNX.

    Se så här konverterar du till ONNX-format i det här Jupyter Notebook-exemplet.See how to convert to ONNX format in this Jupyter notebook example. Lär dig vilka algoritmer som stöds i ONNX.Learn which algorithms are supported in ONNX.

    ONNX runtime stöder också C#, så du kan använda modellen som skapats automatiskt i dina C#-appar utan att behöva koda om eller någon av nätverks fördröjningarna som REST-slutpunkter introducerar.The ONNX runtime also supports C#, so you can use the model built automatically in your C# apps without any need for recoding or any of the network latencies that REST endpoints introduce. Lär dig mer om INFERENCING ONNX-modeller med ONNX runtime C# API.Learn more about inferencing ONNX models with the ONNX runtime C# API.

    Nästa stegNext steps

    Det finns flera resurser som du kan använda för att komma igång med AutoML.There are multiple resources to get you up and running with AutoML.

    Självstudier/anvisningar – TOSTutorials/ how-tos

    Självstudier är från början till slut inledande exempel på AutoML-scenarier.Tutorials are end-to-end introductory examples of AutoML scenarios.

    Artiklar ger ytterligare information om vilka funktioner AutoML erbjuder.How to articles provide additional detail into what functionality AutoML offers. Exempel:For example,

    Jupyter Notebook-exempelJupyter notebook samples

    Granska detaljerade kod exempel och användnings fall i GitHub Notebook-lagringsplatsen för automatiserade maskin inlärningsexempel.Review detailed code examples and use cases in the GitHub notebook repository for automated machine learning samples.

    Python SDK-referensPython SDK reference

    Fördjupa dina kunskaper om SDK design mönster och klass specifikationer med AutoML klass Reference documentation.Deepen your expertise of SDK design patterns and class specifications with the AutoML class reference documentation.

    Anteckning

    Automatiska maskin inlärnings funktioner är också tillgängliga i andra Microsoft-lösningar som, ml.net, HDInsight, Power BI och SQL ServerAutomated machine learning capabilities are also available in other Microsoft solutions such as, ML.NET, HDInsight, Power BI and SQL Server