constants 模組
定義 Azure Machine Learning 中自動化 ML 中使用的常數。
開始實驗之前,請先指定您使用 類別解決 AutoMLConfig 的機器學習問題種類。 Azure Machine Learning 支援分類、回歸和預測的工作類型。 如需詳細資訊,請參閱 如何定義機器學習工作。
針對工作類型分類、回歸和分派,支援的演算法會分別列在 、 Regression 和 Forecasting 類別中 Classification 。 每個工作類型的列出的演算法都會在自動化和微調程式期間使用。 身為使用者,您不需要指定演算法。 如需詳細資訊,請參閱 在 Python 中設定自動化 ML 實驗。
類別
AutoMLPipelineScenario |
AutoML 管線案例的常數。 |
ComputeTargets |
定義 Azure Machine Learning 中自動化 ML 中支援的計算目標名稱。 使用 AutoMLConfig 類別指定實驗執行的計算目標。 |
Environments |
針對 AutoML 定義的策劃環境。 |
ExperimentObserver |
實驗觀察者用來在前置處理期間報告進度的常數。 |
Framework |
各種支援架構的常數。 |
HTSConstants |
AutoML 階層式時間執行所使用的 Contants。 |
InferenceTypes |
支援的推斷型別常數。 |
Scenarios |
各種策劃環境案例的常數。 |
SupportedInputDatatypes |
針對不同的執行類型,AutoML 支援的輸入資料類型。 |
SupportedModels |
定義 Azure Machine Learning 所支援之自動化 ML 演算法的易記名稱。 如果您打算將自動 ML 建立的模型匯出至ONNX 模型 https://docs.microsoft.com/azure/machine-learning/concept-onnx,則只有以 * 表示的演算法能夠轉換成 ONNX 格式。 深入瞭解如何將模型轉換為ONNX <https://docs.microsoft.com/azure/machine-learning/concept-automated-ml#automl –onnx >。 分類 |————————————|羅吉斯回歸* |淺色 GBM* |漸層提升* |決策樹* |K 近鄰* |線性 SVC |支援向量分類 (SVC) |隨機樹系 |極隨機的樹狀結構* |Xgboost* |Averaged Perceptron Classifier |貝氏* 機率分類 |隨機梯度下降 () * |線性 SVM 分類器* |Tabnet 分類器 | 回歸 |———————————– |彈性 Net* |淺色 GBM* |漸層提升* |決策樹* |K 近鄰* |LARS Lasso* |STochastic Gradient 下降 () |隨機樹系* |極隨機的樹狀結構* |Xgboost* |線上梯度下降回歸輸入器 |快速線性回歸輸入器 |Tabnet 回歸輸入器 | 時間序列預測 |———————————– |彈性網路 |淺色 GBM |漸層提升 |決策樹 |K 近鄰 |LARS Lasso |STochastic Gradient 下降 () |隨機樹系 |極隨機的樹狀結構 |Xgboost |自動 ARIMA |安拉文 |ForecastTCN | |
Tasks |
common.core 模組中 Tasks 的子類別,可擴充以新增 SDK 的更多工作類型。 您可以使用建構函式的 AutoMLConfig 參數,為自動化 ML 實驗 |
TimeSeries |
定義用於時間序列預測的參數。 參數是使用 AutoMLConfig 類別來指定。 時間序列預測工作在設定期間需要這些額外的參數。 |
列舉
HTSSupportedInputType |
支援的輸入類型列舉。 |
DATA_SCRIPT_FILE_NAME
不支援樣本加權的演算法名稱。
DATA_SCRIPT_FILE_NAME = 'get_data.py'
Sample_Weights_Unsupported
我們必須強制在單一執行緒模式中執行的演算法名稱。
Sample_Weights_Unsupported = {'ElasticNet', 'KNeighborsClassifier', 'KNeighborsRegressor', 'LassoLars'}
意見反應
https://aka.ms/ContentUserFeedback。
即將登場:在 2024 年,我們將逐步淘汰 GitHub 問題作為內容的意見反應機制,並將它取代為新的意見反應系統。 如需詳細資訊,請參閱:提交並檢視相關的意見反應