Freigeben über

CLI (v2): YAML-Befehlsauftragsschema für AutoML-Vorhersagen

  • Artikel

GILT FÜR Azure CLI-ML-Erweiterung v2 (aktuell)

Das JSON-Quellschema finden Sie unter https://azuremlschemas.azureedge.net/latest/autoMLForecastingJob.schema.json.

Hinweis

Die in diesem Dokument beschriebene YAML-Syntax basiert auf dem JSON-Schema für die neueste Version der ML CLI v2-Erweiterung. Die Funktion dieser Syntax wird nur mit der neuesten Version der ML CLI v2-Erweiterung garantiert. Die Schemas für ältere Erweiterungsversionen finden Sie unter https://azuremlschemasprod.azureedge.net/.

YAML-Syntax

Schlüssel type BESCHREIBUNG Zulässige Werte Standardwert
$schema Zeichenfolge Der Speicherort bzw. die URL zum Laden des YAML-Schemas.
Wenn der Benutzer die VS Code-Erweiterung für Azure Machine Learning zum Erstellen einer YAML-Datei verwendet, kann er durch Einfügen von $schema am Anfang der Datei Schema- und Ressourcenvervollständigungen aufrufen.
compute Zeichenfolge Erforderlich.
Der Name der Compute-Infrastruktur von Azure Machine Learning, in der der Auftrag ausgeführt werden soll.
Die Berechnung kann entweder ein Verweis auf einen vorhandenen Computecomputer im Arbeitsbereich sein.
Hinweis: Aufträge in der Pipeline unterstützen „local“ nicht als compute. „local“ bedeutet hier, dass die Compute-Instanz im Azure Machine Learning Studio-Arbeitsbereich des Benutzers erstellt wird.		 1. Das Muster [^azureml:<compute_name>] zur Verwendung einer vorhandenen Compute-Instanz
2. 'local' für eine lokale Ausführung		 'local'
limits Objekt (object) Stellt ein Wörterbuchobjekt dar, das aus Konfigurationen von Grenzwerten für den tabellarischen Auftrag für automatisiertes maschinelles Lernen (automatisiertes ML, AutoML) besteht.
Der Schlüssel ist ein Name des Grenzwerts im Kontext des Auftrags, der Wert ist der Grenzwert selbst. Informationen zu den Eigenschaften dieses Objekts finden Sie unter Grenzwerte.
name Zeichenfolge Der Name des übermittelten AutoML-Auftrags.
Muss für alle Aufträge im Arbeitsbereich eindeutig sein. Falls nicht angegeben, generiert Azure Machine Learning automatisch eine GUID für den Namen.
description Zeichenfolge Die Beschreibung des AutoML-Auftrags.
display_name Zeichenfolge Der Name des Auftrags, den der Benutzer auf der Studio-Benutzeroberfläche anzeigen möchte. Darf innerhalb des Arbeitsbereichs auch nicht eindeutig sein. Falls nicht angegeben, generiert Azure Machine Learning als Anzeigenamen automatisch einen für Menschen lesbaren aus Adjektiv und Nomen bestehenden Bezeichner.
experiment_name Zeichenfolge Der Name des Experiments.
Experimente sind Datensätze Ihrer ML-Trainingsaufträge in Azure. Experimente enthalten die Ergebnisse Ihrer Ausführungen sowie Protokolle, Diagramme und Graphen. Der Ausführungsdatensatz jedes Auftrags ist in Studio auf der Registerkarte „Experimente“ unter dem entsprechenden Experiment organisiert.		 Name des Arbeitsverzeichnisses, in dem es erstellt wurde
environment_variables Objekt (object) Ein Wörterbuchobjekt mit Umgebungsvariablen, die für den Prozess festgelegt werden sollen, in dem der Befehl ausgeführt wird.
outputs Objekt (object) Stellt ein Wörterbuch der Ausgabekonfigurationen des Auftrags dar. Der Schlüssel ist ein Name für die Ausgabe im Kontext des Auftrags, und der Wert ist die Ausgabekonfiguration. Informationen zu den Eigenschaften dieses Objekts finden Sie in der Auftragsausgabe.
log_files Objekt (object) Ein Wörterbuchobjekt, das Protokolle einer Ausführung eines AutoML-Auftrags enthält.
log_verbosity Zeichenfolge Der Ausführlichkeitsgrad für das Schreiben in die Protokolldatei.
Zulässige Werte sind in der Protokollierungsbibliothek von Python definiert.		 'not_set', , 'debug''info', 'warning', , 'error''critical' 'info'
type const Erforderlich.
Typ des Auftrags.		 automl automl
task const Erforderlich.
Der Typ der auszuführenden AutoML-Aufgabe.		 forecasting forecasting
target_column_name Zeichenfolge Erforderlich.
Stellt den Namen der zu prognostizierenden Spalte dar. Falls nicht angegeben, löst der AutoML-Auftrag einen Fehler aus.
featurization Objekt (object) Ein Wörterbuchobjekt, das die Konfiguration der benutzerdefinierten Featurisierung definiert. Falls nicht erstellt, wendet die AutoML-Konfiguration eine automatische Featurisierung an. Die Eigenschaften dieses Objekts finden Sie unter Featurisierung.
forecasting Objekt (object) Ein Wörterbuchobjekt, das die Einstellungen des Vorhersageauftrags bestimmt. Informationen zu den Eigenschaften dieses Objekts finden Sie unter Vorhersagen.
n_cross_validations string oder integer Die Anzahl der Kreuzvalidierungen, die während der Modell-/Pipelineauswahl erfolgen sollen, wenn validation_data nicht angegeben ist.
Falls sowohl validation_data als auch dieser Parameter nicht bereitgestellt oder auf None festgelegt sind, legt der AutoML-Auftrag den Wert standardmäßig auf auto fest. Falls distributed_featurization aktiviert und validation_data nicht angegeben ist, wird der Wert standardmäßig auf 2 festgelegt.		 'auto', [int] None
primary_metric Zeichenfolge Eine Metrik, die AutoML für die Auswahl des Modells zur Zeitreihenvorhersage optimiert.
Wenn tcn_forecaster von allowed_training_algorithms für das Training verwendet werden soll, unterstützt AutoML nur die Verwendung von normalized_root_mean_squared_error und normalized_mean_absolute_error als primary_metric.		 "spearman_correlation", "normalized_root_mean_squared_error""r2_score" "normalized_mean_absolute_error" "normalized_root_mean_squared_error"
training Objekt (object) Ein Wörterbuchobjekt, das die zum Modelltraining zu verwendende Konfiguration festlegt.
Informationen zu den Eigenschaften dieses Objekts finden Sie unter Training.
training_data Objekt (object) Erforderlich
Ein Wörterbuchobjekt, das die MLTable-Konfiguration zum Festlegen der Trainingsdaten enthält, die in als Eingabe für das Modelltraining dienen sollen. Diese Daten sind eine Teilmenge der Daten und sollten sowohl aus unabhängigen Features/Spalten als auch aus Zielfeatures/-spalten bestehen. Der Benutzer kann eine registrierte MLTable im Arbeitsbereich im Format ':' verwenden (z. B. Input(mltable='my_mltable:1')) ODER kann eine lokale Datei oder einen lokalen Ordner als MLTable (z. B. Input(mltable=MLTable(local_path="./data")) nutzen. Dieses Objekt muss bereitgestellt werden. Wenn das Zielfeature in der Quelldatei nicht vorhanden ist, löst AutoML einen Fehler aus. Informationen zu den Eigenschaften dieses Objekts finden Sie unter Trainings-, Validierungs- oder Testdaten.
validation_data Objekt (object) Ein Wörterbuchobjekt mit der MLTable-Konfiguration zum Festlegen der Validierungsdaten, die im AutoML-Experiment für Kreuzvalidierung verwendet werden sollen. Es sollte sowohl aus unabhängigen Features/Spalten als auch aus Zielfeatures/-spalten bestehen, sofern dieses Objekt bereitgestellt wird. Stichproben in Trainings- und Validierungsdaten dürfen sich in einem Fold nicht überschneiden.
Informationen zu den Eigenschaften dieses Objekts finden Sie unter Trainings-, Validierungs- oder Testdaten. Falls dieses Objekt nicht definiert ist, verwendet automatisiertes ML n_cross_validations, um Validierungsdaten von Trainingsdaten zu trennen, die im Objekt training_data definiert sind.
test_data Objekt (object) Ein Wörterbuchobjekt mit der MLTable-Konfiguration zur Definition von Testdaten, die im Testlauf für Vorhersagen unter Verwendung des besten Modells verwendet werden sollen, und das Modell anhand definierter Metriken auswertet. Es darf nur aus unabhängigen Features bestehen, die in Trainingsdaten (ohne Zielfeature) verwendet werden, wenn dieses Objekt bereitgestellt wird.
Informationen zu den Eigenschaften dieses Objekts finden Sie unter Trainings-, Validierungs- oder Testdaten. Falls nicht bereitgestellt, verwendet AutoML andere integrierte Methoden, um das beste Modell für Rückschlüsse vorzuschlagen.

Grenzwerte

Schlüssel type BESCHREIBUNG Zulässige Werte Standardwert
enable_early_termination boolean Gibt an, ob die Beendigung des Experiments aktiviert werden soll, wenn sich der Verlustscore nach „x“ Iterationen nicht verbessert.
In einem AutoML-Auftrag erfolgt für die ersten 20 Iterationen kein vorzeitiges Beenden. Das Fenster zum vorzeitigen Beenden beginnt erst nach den ersten 20 Iterationen.		 true, false true
max_concurrent_trials integer Die maximale Anzahl von Testläufen (Unteraufträgen), die parallel ausgeführt werden sollen. Es wird dringend empfohlen, die Anzahl gleichzeitiger Ausführungen auf die Anzahl der Knoten im Cluster festzulegen (in compute festgelegter Wert für „aml compute“). 1
max_trials integer Stellt die maximale Anzahl von Testläufen dar, die ein AutoML-Auftrag durchführen kann, um einen Trainingsalgorithmus mit verschiedenen Kombinationen von Hyperparametern auszuführen. Der Standardwert ist 1.000. Falls enable_early_termination definiert ist, kann die Anzahl der Testläufe von Trainingsalgorithmen kleiner sein. 1000
max_cores_per_trial integer Stellt die maximale Anzahl von Kernen dar, die bei jedem Testlauf verwendet werden können. Der Standardwert ist -1, was bedeutet, dass alle Kerne im Prozess verwendet werden. -1
timeout_minutes integer Die maximale Zeit in Minuten, die die Ausführung des übermittelten AutoML-Auftrags dauern darf. Nach der angegebenen Zeitspanne wird der Auftrag beendet. Dieses Timeout umfasst Einrichtung, Featurisierung, Trainingsausführungen, Ensembling und Modellerklärbarkeit (sofern bereitgestellt) aller Testläufe.
Beachten Sie, dass die Ausführungen für Ensembling und Modellerklärbarkeit am Ende des Prozesses nicht enthalten sind, wenn der Auftrag nicht innerhalb des angegebenen Werts für timeout_minutes abgeschlossen werden kann, da diese Features verfügbar sind, sobald alle Testläufe (Unteraufträge) abgeschlossen sind.
Der Standardwert ist 360 Minuten(6 Tage). Um ein Timeout anzugeben, das kleiner oder gleich 1 Stunde (60 Minuten) ist, muss der Benutzer sicherstellen, dass die Größe des Datasets maximal 10.000.000 (Zeilen mal Spalte) beträgt, da andernfalls ein Fehler auftritt.		 360
trial_timeout_minutes integer Die maximale Zeit in Minuten, die jeder Testlauf (Unterauftrag) im übermittelten AutoML-Auftrag ausgeführt werden kann. Nach der angegebenen Zeitspanne wird der Unterauftrag beendet. 30
exit_score float Der von einem Experiment zu erzielende Score. Das Experiment wird beendet, sobald dieser Score erreicht wurde. Falls nicht angegeben (ohne Kriterien), wird das Experiment ausgeführt, bis kein weiterer Fortschritt beim für primary metric definierten Wert erzielt wird.

Planung

Schlüssel type BESCHREIBUNG Zulässige Werte Standardwert
time_column_name Zeichenfolge Erforderlich
Der Name der Spalte im Dataset, der der Zeitachse jeder Zeitreihe entspricht. Das Eingabedataset für Training, Validierung oder Tests muss diese Spalte enthalten, wenn die Aufgabe forecasting ist. Falls nicht angegeben oder auf None festgelegt, löst der AutoML-Vorhersageauftrag einen Fehler aus und beendet das Experiment.
forecast_horizon string oder integer Der maximale Vorhersagehorizont in Einheiten der Zeitreihenhäufigkeit. Diese Einheiten basieren auf dem abgeleiteten Zeitintervall Ihrer Trainingsdaten, z. B. monatlich oder wöchentlich, die vorhergesagt werden sollen. Falls auf „None“ oder auto festgelegt, ist der Standardwert 1, d. h. „t+1“ im letzten Zeitstempel „t“ in den Eingabedaten. auto, [int] 1
frequency Zeichenfolge Die Häufigkeit, mit der die Vorhersage generiert werden soll, z. B. täglich, wöchentlich, jährlich usw.
Wenn nicht angegeben oder auf „None“ festgelegt, wird der Standardwert vom Zeitindex des Datasets abgeleitet. Der Benutzer kann einen Wert festlegen, der größer als die vom Dataset abgeleitete Häufigkeit ist, aber nicht kleiner als diese. Wenn die Häufigkeit des Datasets z. B. täglich ist, können Werte wie „Täglich“, „Wöchentlich“, „Monatlich“, aber nicht „Stündlich“ verwendet werden, da „Stündlich“ kleiner als „Täglich“ (24 Stunden) ist.
Weitere Informationen finden Sie in der pandas-Dokumentation.		 None
time_series_id_column_names string oder list(strings) Die Namen der Spalten in den Daten, die zum Gruppieren von Daten in mehrere Zeitreihen verwendet werden sollen. Wenn time_series_id_column_names nicht definiert oder auf „None“ festgelegt ist, verwendet AutoML die automatische Erkennungslogik zum Erkennen der Spalten. None
feature_lags Zeichenfolge Gibt an, ob der Benutzer für die bereitgestellten numerischen Features automatisch Verzögerungen generieren möchte. Der Standardwert ist auto. Dies bedeutet, dass AutoML auf automatischer Korrelation basierende Heuristiken verwendet, um Verzögerungsreihenfolgen automatisch auszuwählen und entsprechende Verzögerungsfeatures für alle numerischen Features zu generieren. „None“ bedeutet, dass für numerische Features keine Verzögerungen generiert werden. 'auto', None None
country_or_region_for_holidays Zeichenfolge Das Land oder die Region, das bzw. die zum Generieren von Features für Feiertage verwendet wird. Bei diesen Zeichen muss es sich um den aus zwei Buchstaben bestehenden Länder-/Regionscode nach ISO 3166 handeln (Beispiele: US oder DE). Die Liste der ISO-Codes finden Sie unter https://wikipedia.org/wiki/List_of_ISO_3166_country_codes. None
cv_step_size string oder integer Die Anzahl von Zeiträumen zwischen origin_time eines Kreuzvalidierungsfolds und dem nächsten Fold. Bei Festlegen auf 3 für tägliche Daten liegt beispielsweise die Ursprungszeit für jeden Fold drei Tage auseinander. Falls auf „None“ festgelegt oder nicht angegeben, ist der Wert standardmäßig auto. Beim Typ „Integer“ kann der Mindestwert 1 sein, da sonst ein Fehler ausgelöst wird. auto, [int] auto
seasonality string oder integer Die Saisonalität von Zeitreihen als ganzzahliges Vielfaches der Zeitreihenhäufigkeit. Falls Saisonalität nicht angegeben ist, wird ihr Wert auf 'auto' festgelegt, was bedeutet, dass er automatisch von AutoML abgeleitet wird. Wenn dieser Parameter nicht auf None festgelegt ist, geht AutoML davon aus, dass die Zeitreihen nicht saisonal sind, was dem Festlegen des Werts auf die ganze Zahl 1 entspricht. 'auto', [int] auto
short_series_handling_config Zeichenfolge Gibt an, wie AutoML kurze Zeitreihen behandeln soll, sofern angegeben. Es werden die folgenden Werte verwendet:
  • 'auto': Kurze Zeitreihen werden aufgefüllt, wenn keine langen Zeitreihen vorhanden sind, andernfalls werden sie gelöscht.
  • 'pad': Alle kurzen Zeitreihen werden mit Nullen aufgefüllt.
  • 'drop': Alle kurzen Zeitreihen werden gelöscht.
  • None: Die kurze Zeitreihe wird nicht geändert.
    		 'auto', , 'pad''drop'None auto
    target_aggregate_function Zeichenfolge Gibt die Aggregatfunktion an, die verwendet werden soll, um die Zielspalte in Zeitreihen zu aggregieren und die Vorhersagen mit der angegebenen (in freq definierten) Häufigkeit zu generieren. Wenn dieser Parameter festgelegt ist, der Parameter freq dagegen nicht, wird ein Fehler ausgelöst. Falls weggelassen oder auf „None“ festgelegt, erfolgt keine Aggregation. 'sum', , 'max''min''mean' auto
    target_lags string oder integer oder list(integer) Die Anzahl vergangener/historischer Zeiträume, die basierend auf der Datasethäufigkeit verwendet werden sollen, um von den Zielwerten abzuweichen. Standardmäßig ist dieser Parameter deaktiviert. Die Einstellung 'auto' ermöglicht dem System eine automatische heuristische Verzögerung.
    Diese Verzögerungseigenschaft sollte verwendet werden, wenn die Beziehung zwischen den unabhängigen und der abhängigen Variable standardmäßig nicht korreliert. Weitere Informationen finden Sie unter Verzögerte Features für Zeitreihenvorhersagen in AutoML.    		 'auto', [int] None
    target_rolling_window_size string oder integer Die Anzahl bisheriger Beobachtungen zum Erstellen eines Durchschnittswerts für das rollierende Fenster der Zielspalte. Bei Vorhersagen stellt dieser Parameter n historische Zeiträume zum Generieren von vorhergesagten Werten dar, <= Größe des Trainingssatzes. Wenn nicht angegeben, ist n die vollständige Trainingsmenge. Geben Sie diesen Parameter an, wenn Sie beim Trainieren des Modells nur eine bestimmte Menge des Verlaufs beachten möchten. 'auto', integer, None None
    use_stl Zeichenfolge Die Komponenten, die durch Anwenden der STL-Aufschlüsselung auf Zeitreihen generiert werden sollen. Falls nicht angegeben oder auf „None“ festgelegt, wird keine Zeitreihenkomponente generiert.
    use_stl kann zwei Werte annehmen:
    'season' zum Generieren einer saisonalen Komponente.
    'season_trend' zum Generieren von saisonalen AutoML- und Trendkomponenten.    		 'season', 'seasontrend' None

    Trainings-, Validierungs- oder Testdaten

    Schlüssel type BESCHREIBUNG Zulässige Werte Standardwert
    datastore Zeichenfolge Der Name des Datenspeichers, in den Daten vom Benutzer hochgeladen werden.
    path Zeichenfolge Der Pfad, aus dem Daten geladen werden sollen. Für Pfade sind file, folder oder pattern zulässig.
    pattern gibt ein Suchmuster an, das das Verwenden von Platzhaltern (* und **) für Dateien und Ordner mit Daten zulässt. Unterstützte URI-Typen sind azureml, https, wasbs, abfss und adl. Weitere Informationen zur Verwendung des azureml://-URI-Formats finden Sie unter YAML-Kernsyntax. URI des Speicherorts der Artefaktdatei. Wenn dieser URI kein Schema hat (z. B. http:, azureml: usw.), wird er als lokaler Verweis betrachtet. Die Datei, auf die er verweist, wird bei Erstellung der Entität in den standardmäßigen Blobspeicher des Arbeitsbereichs hochgeladen.
    type const Der Typ der Eingabedaten. Um Modelle für maschinelles Sehen zu erstellen, müssen Benutzer als Eingabe für das Modelltraining bezeichnete Bilddaten in Form einer MLTable bereitstellen. mltable mltable

    Training

    Schlüssel type BESCHREIBUNG Zulässige Werte Standardwert
    allowed_training_algorithms list(string) Eine Liste der Algorithmen zur Zeitreihenvorhersage, die als Basismodell für das Modelltraining in einem Experiment getestet werden sollen. Falls weggelassen oder auf „None“ festgelegt, werden alle unterstützten Algorithmen während des Experiments verwendet, mit Ausnahme der in blocked_training_algorithmsangegebenen Algorithmen. 'auto_arima', 'prophet', , 'naive', 'average''seasonal_naive', , 'exponential_smoothing''seasonal_average', 'arimax', 'tcn_forecaster', , 'elastic_net', 'decision_tree''gradient_boosting', 'light_gbm''extreme_random_trees''knn''lasso_lars''sgd''random_forest''xg_boost_regressor' None
    blocked_training_algorithms list(string) Eine Liste der Algorithmen zur Zeitreihenvorhersage, die nicht als Basismodell für das Modelltraining in einem Experiment ausgeführt werden sollen. Falls weggelassen oder auf „None“ festgelegt, werden alle unterstützten Algorithmen während des Modelltrainings verwendet. 'auto_arima', 'prophet', , 'naive', 'seasonal_naive', 'average', 'exponential_smoothing''seasonal_average', ,'tcn_forecaster''gradient_boosting''arimax''sgd''lasso_lars''random_forest''decision_tree''knn''elastic_net' , , 'extreme_random_trees''light_gbm''xg_boost_regressor' None
    enable_dnn_training boolean Ein Flag zum Aktivieren oder Deaktivieren der Aufnahme von DNN-basierten Modellen, die während der Modellauswahl ausprobiert werden sollen. True, False False
    enable_model_explainability boolean Gibt ein Flag zum Aktivieren der Modellerklärbarkeit, wie z. B. Featurerelevanz des besten Modells, an, das vom AutoML-System ausgewertet wird. True, False True
    enable_vote_ensemble boolean Ein Flag zum Aktivieren oder Deaktivieren des Ensemblings einiger Basismodelle mithilfe des Abstimmungsalgorithmus. Weitere Informationen zu Ensembles finden Sie unter Einrichten des automatischen Trainings. true, false true
    enable_stack_ensemble boolean Ein Flag zum Aktivieren oder Deaktivieren des Ensemblings einiger Basismodelle mithilfe des Stapelalgorithmus. Bei Vorhersageaufgaben ist dieses Flag standardmäßig deaktiviert, um das Risiko einer Überanpassung aufgrund eines kleinen Trainingssatzes zu vermeiden, der für die Anpassung des Metalerners verwendet wird. Weitere Informationen zu Ensembles finden Sie unter Einrichten des automatischen Trainings. true, false false

    Featurisierung

    Schlüssel type BESCHREIBUNG Zulässige Werte Standardwert
    mode Zeichenfolge Der vom AutoML-Auftrag zu verwendende Featurisierungsmodus.
    Festlegen auf:
    'auto' wird angegeben, dass die Featurisierung nicht automatisch erfolgen soll.
    'off' wird keine Featurisierung angegeben. 'custom' gibt an, dass eine angepasste Featurisierung verwendet werden soll.

    Hinweis: Wenn die Eingabedaten nur eine geringe Dichte besitzen, kann die Featurisierung nicht aktiviert werden.    		 'auto', 'off''custom' None
    blocked_transformers list(string) Eine Liste der Transformatornamen, die während des Featurisierungsschritts von AutoML blockiert werden sollen, wenn der mode der Featurisierung auf „custom“ festgelegt ist. 'text_target_encoder', 'one_hot_encoder', , 'tf_idf''cat_target_encoder', 'wo_e_target_encoder', 'label_encoder', 'word_embedding', , , 'naive_bayes', , 'count_vectorizer''hash_one_hot_encoder' None
    column_name_and_types Objekt (object) Ein Wörterbuchobjekt, bestehend aus Spaltennamen als Wörterbuchschlüssel und Featuretypen, die zur Aktualisierung des Spaltenzwecks als zugeordneter Wert verwendet werden, wenn der mode der Featurisierung auf „custom“ festgelegt ist.
    transformer_params Objekt (object) Ein geschachteltes Wörterbuchobjekt, das aus dem Transformatorname als Schlüssel und entsprechenden Anpassungsparametern für Datasetspalten für die Featurisierung besteht, wenn der mode der Featurisierung auf „custom“ festgelegt ist.
    Vorhersagen unterstützen nur den Transformator imputer für die Anpassung.
    Weitere Informationen zum Erstellen von Anpassungsparametern finden Sie unter column_transformers.    		 None

    column_transformers

    Schlüssel type BESCHREIBUNG Zulässige Werte Standardwert
    fields list(string) Eine Liste der Spaltennamen, auf die die angegebenen transformer_params angewendet werden sollen.
    parameters Objekt (object) Ein Wörterbuchobjekt, das aus „strategy“ als Schlüssel und Wert einer Imputationsstrategie besteht.
    Weitere Informationen zu seiner Bereitstellung finden Sie hier in den Beispielen.

    Auftragsausgaben

    Schlüssel type BESCHREIBUNG Zulässige Werte Standardwert
    type Zeichenfolge Der Typ der Auftragsausgabe. Für den Standardtyp uri_folder entspricht die Ausgabe einem Ordner. uri_folder, mlflow_modelcustom_model uri_folder
    mode Zeichenfolge Der Modus, in dem Ausgabedateien an den Zielspeicher übermittelt werden. Für den Einbindungsmodus mit Lese-/Schreibzugriff (rw_mount) ist das Ausgabeverzeichnis ein eingebundenes Verzeichnis. Im Uploadmodus werden die geschriebenen Dateien am Ende des Auftrags hochgeladen. rw_mount, upload rw_mount

    Ausführen eines Vorhersageauftrags über die CLI

    az ml job create --file [YOUR_CLI_YAML_FILE] --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]