AutoMLExperiment Sınıf
Tanım
Önemli
Bazı bilgiler ürünün ön sürümüyle ilgilidir ve sürüm öncesinde önemli değişiklikler yapılmış olabilir. Burada verilen bilgilerle ilgili olarak Microsoft açık veya zımni hiçbir garanti vermez.
AutoML denemesi sınıfı
public class AutoMLExperiment
type AutoMLExperiment = class
Public Class AutoMLExperiment
- Devralma
-
AutoMLExperiment
Örnekler
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using Microsoft.ML.Data;
namespace Microsoft.ML.AutoML.Samples
{
public static class AutoMLExperiment
{
public static async Task RunAsync()
{
var seed = 0;
// Create a new context for ML.NET operations. It can be used for
// exception tracking and logging, as a catalog of available operations
// and as the source of randomness. Setting the seed to a fixed number
// in this example to make outputs deterministic.
var context = new MLContext(seed);
// Create a list of training data points and convert it to IDataView.
var data = GenerateRandomBinaryClassificationDataPoints(100, seed);
var dataView = context.Data.LoadFromEnumerable(data);
var trainTestSplit = context.Data.TrainTestSplit(dataView);
// Define the sweepable pipeline using predefined binary trainers and search space.
var pipeline = context.Auto().BinaryClassification(labelColumnName: "Label", featureColumnName: "Features");
// Create an AutoML experiment
var experiment = context.Auto().CreateExperiment();
// Redirect AutoML log to console
context.Log += (object o, LoggingEventArgs e) =>
{
if (e.Source == nameof(AutoMLExperiment) && e.Kind > Runtime.ChannelMessageKind.Trace)
{
Console.WriteLine(e.RawMessage);
}
};
// Config experiment to optimize "Accuracy" metric on given dataset.
// This experiment will run hyper-parameter optimization on given pipeline
experiment.SetPipeline(pipeline)
.SetDataset(trainTestSplit.TrainSet, fold: 5) // use 5-fold cross validation to evaluate each trial
.SetBinaryClassificationMetric(BinaryClassificationMetric.Accuracy, "Label")
.SetMaxModelToExplore(100); // explore 100 trials
// start automl experiment
var result = await experiment.RunAsync();
// Expected output samples during training:
// Update Running Trial - Id: 0
// Update Completed Trial - Id: 0 - Metric: 0.5536912515402218 - Pipeline: FastTreeBinary - Duration: 595 - Peak CPU: 0.00 % -Peak Memory in MB: 35.81
// Update Best Trial - Id: 0 - Metric: 0.5536912515402218 - Pipeline: FastTreeBinary
// evaluate test dataset on best model.
var bestModel = result.Model;
var eval = bestModel.Transform(trainTestSplit.TestSet);
var metrics = context.BinaryClassification.Evaluate(eval);
PrintMetrics(metrics);
// Expected output:
// Accuracy: 0.67
// AUC: 0.75
// F1 Score: 0.33
// Negative Precision: 0.88
// Negative Recall: 0.70
// Positive Precision: 0.25
// Positive Recall: 0.50
// TEST POSITIVE RATIO: 0.1667(2.0 / (2.0 + 10.0))
// Confusion table
// ||======================
// PREDICTED || positive | negative | Recall
// TRUTH ||======================
// positive || 1 | 1 | 0.5000
// negative || 3 | 7 | 0.7000
// ||======================
// Precision || 0.2500 | 0.8750 |
}
private static IEnumerable<BinaryClassificationDataPoint> GenerateRandomBinaryClassificationDataPoints(int count,
int seed = 0)
{
var random = new Random(seed);
float randomFloat() => (float)random.NextDouble();
for (int i = 0; i < count; i++)
{
var label = randomFloat() > 0.5f;
yield return new BinaryClassificationDataPoint
{
Label = label,
// Create random features that are correlated with the label.
// For data points with false label, the feature values are
// slightly increased by adding a constant.
Features = Enumerable.Repeat(label, 50)
.Select(x => x ? randomFloat() : randomFloat() +
0.1f).ToArray()
};
}
}
// Example with label and 50 feature values. A data set is a collection of
// such examples.
private class BinaryClassificationDataPoint
{
public bool Label { get; set; }
[VectorType(50)]
public float[] Features { get; set; }
}
// Class used to capture predictions.
private class Prediction
{
// Original label.
public bool Label { get; set; }
// Predicted label from the trainer.
public bool PredictedLabel { get; set; }
}
// Pretty-print BinaryClassificationMetrics objects.
private static void PrintMetrics(BinaryClassificationMetrics metrics)
{
Console.WriteLine($"Accuracy: {metrics.Accuracy:F2}");
Console.WriteLine($"AUC: {metrics.AreaUnderRocCurve:F2}");
Console.WriteLine($"F1 Score: {metrics.F1Score:F2}");
Console.WriteLine($"Negative Precision: " +
$"{metrics.NegativePrecision:F2}");
Console.WriteLine($"Negative Recall: {metrics.NegativeRecall:F2}");
Console.WriteLine($"Positive Precision: " +
$"{metrics.PositivePrecision:F2}");
Console.WriteLine($"Positive Recall: {metrics.PositiveRecall:F2}\n");
Console.WriteLine(metrics.ConfusionMatrix.GetFormattedConfusionTable());
}
}
}
Oluşturucular
AutoMLExperiment(MLContext, AutoMLExperiment+AutoMLExperimentSettings) |
AutoML denemesi sınıfı |
Yöntemler
AddSearchSpace(String, SearchSpace) |
AutoML denemesi sınıfı |
Run() |
Denemeyi çalıştırın ve en iyi deneme sonucunu eşitlenmiş olarak döndürin. |
RunAsync(CancellationToken) |
Denemeyi çalıştırın ve zaman uyumsuz olarak en iyi deneme sonucunu döndürin. Deneme iptal edildiğinde tamamlanan bir deneme varsa geçerli en iyi deneme sonucunu döndürür ve deneme tamamlanmadığında |
SetMaximumMemoryUsageInMegaByte(Double) |
AutoML denemesi sınıfı |
SetMaxModelToExplore(Int32) |
AutoML denemesi sınıfı |
SetMonitor<TMonitor>() |
AutoML denemesi sınıfı |
SetMonitor<TMonitor>(Func<IServiceProvider,TMonitor>) |
AutoML denemesi sınıfı |
SetMonitor<TMonitor>(TMonitor) |
AutoML denemesi sınıfı |
SetTrainingTimeInSeconds(UInt32) |
AutoML denemesi sınıfı |
SetTrialRunner<TTrialRunner>() |
AutoML denemesi sınıfı |
SetTrialRunner<TTrialRunner>(Func<IServiceProvider,TTrialRunner>) |
AutoML denemesi sınıfı |
SetTrialRunner<TTrialRunner>(TTrialRunner) |
AutoML denemesi sınıfı |
SetTuner<TTuner>() |
AutoML denemesi sınıfı |
SetTuner<TTuner>(Func<IServiceProvider,TTuner>) |
AutoML denemesi sınıfı |
SetTuner<TTuner>(TTuner) |
AutoML denemesi sınıfı |
Uzantı Metotları
SetBinaryClassificationMetric(AutoMLExperiment, BinaryClassificationMetric, String, String) |
için AutoMLExperimentdeğerlendirme yöneticisi olarak ayarlayınMicrosoft.ML.AutoML.BinaryMetricManager. Bu, değerlendirme ölçümü olarak kullanımlar |
SetCheckpoint(AutoMLExperiment, String) |
için AutoMLExperimentdenetim noktası klasörünü ayarlayın. Denetim noktası klasörü geçici çıkışı kaydetmek, çalıştırma geçmişini ve diğer birçok şeyi kaydetmek için kullanılır. Bu klasör, son denetim noktasından eğitim sürecini geri yüklemek ve eğitime devam etmek için kullanılacaktır. |
SetCostFrugalTuner(AutoMLExperiment) |
Hiper parametre iyileştirmesi için ayarlayıcı olarak ayarlayın Microsoft.ML.AutoML.CostFrugalTuner . |
SetDataset(AutoMLExperiment, DataOperationsCatalog+TrainTestData) |
için AutoMLExperimenteğitim ve doğrulama veri kümesini ayarlayın. Bu, AutoMLExperiment bir modeli eğitmek için 'den |
SetDataset(AutoMLExperiment, IDataView, IDataView, Boolean) |
için AutoMLExperimenteğitim ve doğrulama veri kümesini ayarlayın. Bu, AutoMLExperiment modeli eğitmek için kullanır |
SetDataset(AutoMLExperiment, IDataView, Int32, String) |
için AutoMLExperimentçapraz doğrulama veri kümesini ayarlayın. Bu, modeli eğitmek ve değerlendirmek için n= |
SetEciCostFrugalTuner(AutoMLExperiment) |
hiper parametre iyileştirmesi için ayarlayıcı olarak ayarlayın Microsoft.ML.AutoML.EciCostFrugalTuner . Bu tarayıcı yalnızca içinden arama SweepablePipelinealanıyla çalışır. |
SetGridSearchTuner(AutoMLExperiment, Int32) |
hiper parametre iyileştirmesi için ayarlayıcı olarak ayarlayın Microsoft.ML.AutoML.GridSearchTuner . |
SetMulticlassClassificationMetric(AutoMLExperiment, MulticlassClassificationMetric, String, String) |
için AutoMLExperimentdeğerlendirme yöneticisi olarak ayarlayınMicrosoft.ML.AutoML.MultiClassMetricManager. Bu, değerlendirme ölçümü olarak kullanımlar |
SetPerformanceMonitor(AutoMLExperiment, Int32) |
için AutoMLExperimentolarak IPerformanceMonitor ayarlayınDefaultPerformanceMonitor. |
SetPerformanceMonitor<TPerformanceMonitor>(AutoMLExperiment) |
için AutoMLExperimentolarak IPerformanceMonitor özel bir performans izleyicisi ayarlayın. |
SetPerformanceMonitor<TPerformanceMonitor>(AutoMLExperiment, Func<IServiceProvider,TPerformanceMonitor>) |
için AutoMLExperimentolarak IPerformanceMonitor özel bir performans izleyicisi ayarlayın. |
SetPipeline(AutoMLExperiment, SweepablePipeline) |
Eğitim için ayarlayın |
SetRandomSearchTuner(AutoMLExperiment, Nullable<Int32>) |
hiper parametre iyileştirmesi için ayarlayıcı olarak ayarlayın Microsoft.ML.AutoML.RandomSearchTuner . sağlanırsa |
SetRegressionMetric(AutoMLExperiment, RegressionMetric, String, String) |
için AutoMLExperimentdeğerlendirme yöneticisi olarak ayarlayınMicrosoft.ML.AutoML.RegressionMetricManager. Bu, değerlendirme ölçümü olarak kullanımlar |
SetSmacTuner(AutoMLExperiment, Int32, Int32, Int32, Int32, Single, Int32, Int32, Double, Int32) |
Hiper parametre iyileştirmesi için ayarlayıcı olarak ayarlayın Microsoft.ML.AutoML.SmacTuner . smac'in performansı, |
Şunlara uygulanır
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin