constants 模組

定義可執行之 Azure Machine Learning API 作業的名稱。

定義用來選取下一個管線之所有擷取函式的名稱。

預設值為 EI (預期的改進) 。

定義數值數據行的聚合函數。

用來儲存預設逾時的常數

定義自動化 ML 所建立 JSON 的常數。

定義 Azure Machine Learning 中使用的自動化 ML 常數。

如果少數類別中的樣本與多數類別中的樣本比例等於或低於此臨界值，則會在數據集中偵測到不平衡。

定義違反使用者指定成本條件約束時可能發生的客戶端錯誤。

定義支援的 datetime 資料類型。

名稱會對應至pandas.api.types.infer_dtype () 的输出。

定義管線的預設值。

定義 Azure Machine Learning 中使用的自動化 ML 常數。

定義用於 Ensemble 反覆專案的常數。

定義一組方法。

例外狀況片段

定義功能掃掠的常數。

FitPipeline 元件名稱的常數。

定義與超參數微調相關的常數。

定義變更per_iteration_timeout的方式。

定義用於學習模組管線的所有數據行。

定義自動化 ML 中 Miro 推薦程式支援的所有模型名稱。

這些名稱仍用來參考Miro資料庫中的物件，但不會由任何自動化ML用戶端使用。

與 MLFlow 相關的常數。

與 MLFlow metdata 相關的常數。

定義 Azure Machine Learning 中使用的自動化 ML 常數。

定義分類和回歸支援的所有計量。

定義信賴區間的內部值

定義從計量到其目標的對應。

目標是 (回歸和分類) 最大化或最小化。

定義模型的類別。

定義模型的類別名稱。

這些是管線規格中的模型包裝函式類別名稱。

定義模型名稱，其中包含客戶、舊版和類別名稱。

Init ModelName。

定義模型名稱對應。

定義特定模型特定的參數名稱。

例如，若要指出數據集中的哪些功能是分類的，LightGBM 模型會接受 『categorical_feature』 參數，而 CatBoost 模型則接受 『cat_features』 參數。

定義支援的數值數據類型。

名稱會對應至pandas.api.types.infer_dtype () 的输出。

定義使用的管線預測演算法類別。

• 「隨機」藉由隨機選取管線來提供基準

• “lvm” 會使用晚期變數模型來預測先前管線的效能可能下一個管線。

定義演算法可以相對於計量的目標。

某些計量應該最大化，有些則應該最小化。

定義成本模型模式。

• COST_NONE會傳回所有預測管線

• COST_FILTER只會傳回成本模型所預測的管線，以符合使用者指定的成本條件

• COST_SCALE將擷取函式分數除以預測時間

定義管線的遮罩配置檔。

定義值，指出管線是否有效。

定義預處理器的類別。

定義規則型驗證設定的常數。

定義執行可以位於的狀態。

定義伺服器狀態值。

定義 ShortSeriesHandling 設定的可能值。

定義可能的子執行狀態。

定義子取樣策略。

定義 GP 中的子取樣處理方式。

定義子工作的名稱。

定義支援的類別學習者_set_dataset_categoricals類型：

針對不同的執行類型，AutoML 支援的輸入數據類型。

定義支援模型，其中每個模型都有客戶名稱、舊版模型名稱和模型類別名稱。

定義 Azure Machine Learning 中自動化 ML 所支援的演算法面向客戶名稱。

定義自動化 ML 支援的機器學習工作類型。

定義遙測常數。

定義支援的類別數據類型。

時間限制強制模式的列舉。

定義用於時間範圍的參數。

定義非使用者面向的 TimeSeries 常數。

定義時間序列檔的 Web 連結。

定義執行器類別的潛在結果。

定義驗證方法。

不同的實驗類型會使用不同的驗證方法。

定義用於數據處理的轉換器。

定義驗證規則。

根據輸入來初始化規則。

用來儲存連結以更正錯誤的常數。

可用的映像工作類型。

列舉。