constants Module

Définit les noms des opérations d’API Azure Machine Learning qui peuvent être effectuées.

Définit les noms de toutes les fonctions d’acquisition utilisées pour sélectionner le pipeline suivant.

La valeur par défaut est EI (« expected improvement », amélioration attendue).

Définissez les fonctions d’agrégation pour les colonnes numériques.

Constantes pour stocker les délais d’attente par défaut

Définit des constantes pour JSON créées par des ML automatisées.

Définit les constantes de Machine Learning automatisé utilisées dans Azure Machine Learning.

Si le rapport entre les échantillons de la classe minoritaire et les exemples de la classe majoritaire est inférieur ou égal à ce seuil, un déséquilibre est détecté dans le jeu de données.

Définit des erreurs client qui peuvent se produire lors de la violation des contraintes de coût spécifiées par l’utilisateur.

Définit les types de données DateHeure pris en charge.

Les noms correspondent à la sortie de pandas.api.types.infer_dtype ().

Définit les valeurs par défaut des pipelines.

Définit les constantes de Machine Learning automatisé utilisées dans Azure Machine Learning.

Définit les constantes utilisées pour les itérations d’ensemble.

Définit les méthodes d’ensemble.

Fragments d’exception

Définit des constantes pour le balayage des fonctionnalités.

Constantes pour les noms de composants FitPipeline.

Définit des constantes liées à l’hyperparamètre tunning.

Définit des méthodes de modification de la per_iteration_timeout.

Définit toutes les colonnes utilisées pour le pipeline d’apprentissage.

Définit les noms de tous les modèles pris en charge par le système de recommandation Miro dans le ML automatisé.

Ces noms sont toujours utilisés pour faire référence à des objets dans la base de données Miro, mais ils ne sont pas utilisés par des clients du ML automatisé.

Constantes liées à MLFlow.

Constantes liées aux metdata MLFlow.

Définit les constantes de Machine Learning automatisé utilisées dans Azure Machine Learning.

Définit toutes les métriques prises en charge par la classification et la régression.

Définit les valeurs internes des intervalles de confiance

Définit des mappages de métriques à leur objectif.

Les objectifs sont l’optimisation ou la minimisation (régression et classification).

Définit des catégories pour les modèles.

Définit des noms de classes pour les modèles.

Il s’agit de noms de classes wrapper de modèle dans les spécifications du pipeline.

Définit un nom de modèle qui comprend les noms de client, d’héritage et de classe.

Init ModelName.

Définit les mappages de noms de modèles.

Définit des noms de paramètres spécifiques à certains modèles.

Par exemple, pour indiquer les fonctionnalités du jeu de données qui sont catégoriques, un modèle LightGBM accepte le paramètre « categorical_feature » tandis qu’un modèle CatBoost accepte le paramètre « cat_features ».

Définit les types de données numériques pris en charge.

Les noms correspondent à la sortie de pandas.api.types.infer_dtype ().

Définit les catégories des algorithmes de prédiction de pipeline utilisés.

• "random" fournit une ligne de base en sélectionnant un pipeline de manière aléatoire

• "lvm" utilise des modèles de variables latentes pour prédire les pipelines probables suivants en fonction des performances des pipelines précédents.

Définit les objectifs qu’un algorithme peut avoir par rapport à une métrique.

Certaines métriques doivent être agrandies et une partie doit être réduite.

Définit les modes du modèle de coût.

• COST_NONE renvoie tous les pipelines prédits

• COST_FILTER renvoie uniquement les pipelines prédits par les modèles de coût pour répondre aux conditions de coût spécifiées par l’utilisateur

• COST_SCALE divise le score de la fonction d’acquisition par le temps prédit

Définit des profils de masque pour les pipelines.

Définit des valeurs indiquant si le pipeline est valide.

Définit des catégories pour les préprocesseurs.

Définit des constantes pour le paramètre de validation basé sur des règles.

Définit les états possibles d’une exécution.

Définit les valeurs d’état du serveur.

Définissez les valeurs possibles de la configuration de ShortSeriesHandling.

Définit les États d’exécution enfants possibles.

Définit des stratégies de sous-échantillonnage.

Définit le traitement du sous-échantillonnage dans GP.

Définit les noms des tâches subordonnées.

Définit les catégories prises en charge learnersin type de _set_dataset_categoricals :

Types de données d’entrée pris en charge par AutoML pour les différents types d’exécution.

Définit les modèles pris en charge où chaque modèle a un nom de client, un nom de modèle hérité et un nom de classe de modèle.

Définit des noms présentés aux clients pour les algorithmes pris en charge par le ML automatisé dans Azure Machine Learning.

Définit les types de tâches de Machine Learning prises en charge par le ML automatisé.

Définit des constantes de télémétrie.

Définit les types de données catégoriques pris en charge.

Énumération des modes d’application des contraintes de temps.

Définit les paramètres utilisés pour TimeSeries.

Définit des constantes TimeSeries non accessibles par l’utilisateur.

Définit les liens web de la documentation sur les séries chronologiques.

Définit les résultats potentiels de la classe des exécuteurs.

Définit des méthodes de validation.

Différents types d’expérience utilisent des méthodes de validation différentes.

Définit les transformateurs utilisés pour le traitement de données.

Définit des méthodes de validation.

Init la règle en fonction des entrées.

Constantes pour stocker le lien afin de corriger les erreurs.

Types de tâches d’image disponibles.

Une énumération.