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 task 設定工作類型。 如需工作的詳細資訊，請參閱 如何定義機器學習工作。
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'}