runtime 包

包含用于在管道中运行自动化 ML、使用模型解释器以及创建集成的功能。

此包包含了用于配置和管理管道，以及检查自动化机器学习试验的运行输出的类。 若要详细了解 Azure 中的自动化机器学习，请参阅什么是自动化机器学习？一文

若要为自动化机器学习定义可重用的机器学习工作流，请使用 AutoMLStep 来创建 Pipeline。

模块

automl_explain_utilities	包含训练后用于解释 Azure 机器学习中的自动化 ML 模型的实用程序。 有关详细信息，请参阅： 可解释性：自动化机器学习中的模型说明 ONNX 和 Azure 机器学习：创建和加速 ML 模型
automl_step	已弃用。 使用模块中的 automl_step 功能。
automlexplainer	包含用于解释 Azure 机器学习中的自动化 ML 模型的函数。 在模型训练期间，可以使用包含的类来了解特征重要性。 分类和回归模型允许不同的特征重要性输出。 有关概述，请参阅 Azure 机器学习中的模型可解释性。 特征重要性主要在与 SHapley Additive exPlanations (SHAP) 具有相同意义的情况下使用。 有关详细信息和提供了确切定义的文章的链接，请参阅 SHAP GitHub。 有关特征重要性的更多背景信息，请参阅这篇有关 LIME（一种解释技术）的文章。 可在此文中找到与 InterpretML 包中使用的技术相同的其他特征重要性方法。
ensemble	包含用于从以前的自动化机器学习迭代创建集成的功能。 创建集成可以通过合并多个迭代（可提供比单个迭代更好的预测）来改进机器学习结果。 配置试验以便将集成与 AutoMLConfig 对象配合使用。
run	包含用于管理 Azure 机器学习中的自动化 ML 运行的功能。 可使用此模块启动或停止自动 ML 运行、监视运行状态和检索模型输出。
stack_ensemble	包含用于从以前的自动化机器学习迭代创建堆栈集成的功能。
utilities	包含在 Azure 机器学习的自动化 ML 中使用的实用程序方法。

类

AutoMLStep	已弃用。 使用 AutoMLStep 类。
AutoMLStepRun	已弃用。 使用 AutoMLStepRun 类。