constants Modul

Definiert Namen für die in Azure Machine Learning ausführbaren API-Vorgänge.

Definiert Namen für alle Akquisitionsfunktionen, die zum Auswählen der nächsten Pipeline verwendet werden.

Der Standardwert ist "EI" (expected improvement = erwartete Verbesserung).

Definieren der Aggregationsfunktionen für numerische Spalten.

Konstanten zum Speichern der Standardtimeouts

Definiert Konstanten für von automatisiertem ML erstelltes JSON.

Definiert Konstanten für automatisiertes maschinelles Lernen, die in Azure Machine Learning verwendet werden.

Wenn das Verhältnis der Stichproben in der Minderheitsklasse zu den Stichproben in der Mehrheitsklasse gleich oder niedriger als dieser Schwellenwert ist, wird im Dataset eine Unausgeglichenheit erkannt.

Definiert Clientfehler, die auftreten können, wenn gegen benutzerdefinierte Kosteneinschränkungen verstoßen wird.

Definiert unterstützte datetime-Datentypen.

Die Namen entsprechen der Ausgabe von „pandas.api.types.infer_dtype()“.

Definiert Standardwerte für Pipelines.

Definiert Konstanten für automatisiertes maschinelles Lernen, die in Azure Machine Learning verwendet werden.

Definiert Konstanten, die für Ensembleiterationen verwendet werden.

Definiert Ensemblemethoden.

Ausnahmefragmente

Definiert Konstanten für Feature-Sweeping.

Konstanten für die FitPipeline-Komponentennamen.

Definiert Konstanten im Zusammenhang mit der Hyperparameteroptimierung.

Definiert Möglichkeiten zum Ändern von per_iteration_timeout.

Definiert alle Spalten, die für die Lernpipeline verwendet werden.

Definiert Namen für alle Modelle, die von der Miro-Empfehlung (Recommender) von Azure Machine Learning unterstützt werden.

Diese Namen werden weiterhin verwendet, um auf Objekte in der Miro-Datenbank zu verweisen. Sie werden aber nicht von Azure Machine Learning-Clients verwendet.

Konstanten im Zusammenhang mit MLFlow.

Konstanten im Zusammenhang mit MLFlow-Metdata.

Definiert Konstanten für automatisiertes maschinelles Lernen, die in Azure Machine Learning verwendet werden.

Definiert alle Metriken, die von Klassifizierung und Regression unterstützt werden.

Definiert interne Werte von Konfidenzintervallen.

Definiert Zuordnungen von Metriken zu deren Ziel.

Ziele sind Maximierung oder Minimierung (Regression und Klassifizierung).

Definiert Kategorien für Modelle.

Definiert Klassennamen für Modelle.

Dies sind Modellwrapperklassennamen in den Pipelinespezifikationen.

Definiert einen Modellnamen, der Kunden-, Legacy- und Klassennamen enthält.

Init ModelName.

Definiert Modellnamenzuordnungen.

Definiert Parameternamen, die bestimmten Modellen eigen sind.

Um beispielsweise anzugeben, welche Features im Dataset kategorisch sind, akzeptiert ein LightGBM-Modell den Parameter „categorical_feature“, während ein CatBoost-Modell den Parameter "cat_features" akzeptiert.

Definiert unterstützte numerische Datentypen.

Die Namen entsprechen der Ausgabe von „pandas.api.types.infer_dtype()“.

Definiert die Kategorien der in der Pipeline verwendeten Vorhersagealgorithmen.

• „random“ bietet eine Baseline durch zufälliges Auswählen einer Pipeline.

• Mit „lvm“ werden latente Variablenmodelle verwendet, um anhand der Leistung vorheriger Pipelines die wahrscheinlichen nächsten Pipelines vorherzusagen.

Definiert die Ziele, die ein Algorithmus relativ zu einer Metrik haben kann.

Einige Metriken sollten maximiert und einige minimiert werden.

Definiert Kostenmodellmodi.

• COST_NONE gibt alle vorhergesagten Pipelines zurück.

• COST_FILTER gibt nur Pipelines zurück, bei denen durch Kostenmodelle vorhergesagt wurde, dass sie die vom Benutzer angegebenen Kostenbedingungen erfüllen.

• COST_SCALE dividiert den Score der Akquisitionsfunktion durch die vorhergesagte Zeit.

Definiert Maskenprofile für Pipelines.

Definiert Werte, die angeben, ob die Pipeline gültig ist.

Definiert Kategorien für Präprozessoren.

Definiert Konstanten für die regelbasierte Validierungseinstellung.

Definiert Zustände, in denen sich eine Ausführung befinden kann.

Definiert Serverstatuswerte.

Definieren der möglichen Werte der ShortSeriesHandling-Konfiguration.

Definiert mögliche untergeordnete Ausführungszustände.

Definiert Subsampling-Strategien.

Definiert die Subsamplingbehandlung in GP.

Definiert die Namen der Subtasks.

Definiert unterstützte kategorische Learner im Typ „_set_dataset_categoricals“:

Eingabedatentypen, die von automatisiertem maschinellem Lernen für verschiedene Ausführungstypen unterstützt werden.

Definiert unterstützte Modelle. Jedes Modell hat einen Kundennamen, einen Legacymodellnamen und einen Modellklassennamen.

Definiert für Kunden sichtbare Namen für Algorithmen, die vom automatisierten ML in Azure Machine Learning unterstützt werden.

Definiert Typen von ML-Aufgaben, die von automatisiertem ML unterstützt werden.

Definiert Telemetriekonstanten.

Definiert unterstützte kategorische Datentypen.

Enumeration der Zeiteinschänkungs-Erzwingungsmodi.

Definiert Parameter, die für Zeitreihen verwendet werden.

Definiert für Benutzer nicht sichtbare TimeSeries-Konstanten.

Definiert die Weblinks für die Zeitreihendokumentation.

Definiert potenzielle Ergebnisse der Ausführungsklasse.

Definiert Validierungsmethoden.

Verschiedene Experimenttypen verwenden unterschiedliche Validierungsmethoden.

Definiert Transformatoren, die für die Datenverarbeitung verwendet werden.

Definiert Validierungsregeln.

Aktivieren Sie die Regel basierend auf den Eingaben.

Konstanten zum Speichern des Links für die Fehlerbehandlung.

Verfügbare Imagetasktypen.

Eine Enumeration.