DataDriftDetector Klasse

Referenz

Definiert einen Datenabweichungsmonitor, der zum Ausführen von Datenabweichungsaufträgen in Azure Machine Learning verwendet werden kann.

Mit der DataDriftDetector-Klasse können Sie die Abweichung zwischen einem bestimmten Basis- und Zieldatensatz identifizieren. Ein DataDriftDetector-Objekt wird in einem Arbeitsbereich erstellt, indem entweder die Basisplan- und Zieldatensätze direkt angegeben werden. Weitere Informationen finden Sie unter https://aka.ms/datadrift.

Datadriftdetector-Konstruktor.

Der DataDriftDetector-Konstruktor wird verwendet, um eine Clouddarstellung eines DataDriftDetector-Objekts abzurufen, das dem bereitgestellten Arbeitsbereich zugeordnet ist.

Vererbung: builtins.object

DataDriftDetector

Konstruktor

DataDriftDetector(workspace, name=None, baseline_dataset=None, target_dataset=None, compute_target=None, frequency=None, feature_list=None, alert_config=None, drift_threshold=None, latency=None)

Parameter

Name	Beschreibung
workspace Erforderlich	Workspace Der Arbeitsbereich, in dem das DataDriftDetector-Objekt erstellt werden soll.
name	str Ein eindeutiger Name für das DataDriftDetector-Objekt. Standardwert: None
baseline_dataset	TabularDataset Dataset zum Vergleichen des Ziel-Datasets mit. Standardwert: None
target_dataset	TabularDataset Dataset zum Ausführen von Adhoc- oder geplanten DataDrift-Aufträgen. Muss eine Zeitreihe sein. Standardwert: None
compute_target	ComputeTarget oder str Optionaler Azure Machine Learning ComputeTarget- oder ComputeTarget-Name. DataDriftDetector erstellt ein Computeziel, wenn es nicht angegeben ist. Standardwert: None
frequency	str Optionale Häufigkeit, die angibt, wie oft die Pipeline ausgeführt wird. Unterstützt "Day", "Week" oder "Month". Standardwert: None
feature_list	list[str] Optionale Features in der Whiteliste, um die Datendrifterkennung auszuführen. DataDriftDetector-Aufträge werden für alle Features ausgeführt, wenn `feature_list` nicht angegeben ist. Die Featureliste kann Zeichen, Zahlen, Striche und Leerzeichen enthalten. Die Länge der Liste muss kleiner als 200 sein. Standardwert: None
alert_config	AlertConfiguration Optionales Konfigurationsobjekt für DataDriftDetector-Warnungen. Standardwert: None
drift_threshold	float Optionaler Schwellenwert, um DataDriftDetector-Warnungen zu aktivieren. Der Wert muss zwischen 0 und 1 sein. Ein Wert von 0,2 wird verwendet, wenn "None" angegeben wird (Standardeinstellung). Standardwert: None
latency	int Verzögerung in Stunden, damit Daten im Dataset angezeigt werden. Standardwert: None
workspace Erforderlich	Workspace Der Arbeitsbereich, in dem das DataDriftDetector-Objekt erstellt werden soll.
name Erforderlich	str Ein eindeutiger Name für das DataDriftDetector-Objekt.
baseline_dataset Erforderlich	TabularDataset Dataset zum Vergleichen des Ziel-Datasets mit.
target_dataset Erforderlich	TabularDataset Dataset zum Ausführen von Adhoc- oder geplanten DataDrift-Aufträgen. Muss eine Zeitreihe sein.
compute_target Erforderlich	ComputeTarget oder str Optionaler Azure Machine Learning ComputeTarget- oder ComputeTarget-Name. DataDriftDetector erstellt ein Computeziel, wenn es nicht angegeben ist.
frequency Erforderlich	str Optionale Häufigkeit, die angibt, wie oft die Pipeline ausgeführt wird. Unterstützt "Day", "Week" oder "Month".
feature_list Erforderlich	list[str] Optionale Features in der Whiteliste, um die Datendrifterkennung auszuführen. DataDriftDetector-Aufträge werden für alle Features ausgeführt, wenn `feature_list` nicht angegeben ist. Die Featureliste kann Zeichen, Zahlen, Striche und Leerzeichen enthalten. Die Länge der Liste muss kleiner als 200 sein.
alert_config Erforderlich	AlertConfiguration Optionales Konfigurationsobjekt für DataDriftDetector-Warnungen.
drift_threshold Erforderlich	float Optionaler Schwellenwert, um DataDriftDetector-Warnungen zu aktivieren. Der Wert muss zwischen 0 und 1 sein. Ein Wert von 0,2 wird verwendet, wenn "None" angegeben wird (Standardeinstellung).
latency Erforderlich	int Verzögerung in Stunden, damit Daten im Dataset angezeigt werden.

Hinweise

Ein DataDriftDetector -Objekt stellt eine Datenabweichungsauftragsdefinition dar, die zum Ausführen von drei Auftragsausführungstypen verwendet werden kann:

ein adhoc zur Analyse eines bestimmten Datenwerts laufen; siehe die run-Methode.
eine geplante Ausführung in einer Pipeline; siehe die enable_schedule-Methode.
Ein Nachfülllauf wird ausgeführt, um zu sehen, wie sich Daten im Laufe der Zeit ändern; siehe die backfill-Methode.

Das typische Muster zum Erstellen eines DataDriftDetectors ist:

Verwenden Sie zum Erstellen eines datasetbasierten DataDriftDetector-Objekts create_from_datasets

Der DataDriftDetector-Konstruktor ruft ein vorhandenes Datenabweichungsobjekt ab, das dem Arbeitsbereich zugeordnet ist.

Methoden

backfill	Führen Sie einen Backfill-Auftrag über einem angegebenen Anfangs- und Enddatum aus. Details zu Datenabweichungs-Backfill-Ausführungen finden Sie unter https://aka.ms/datadrift. HINWEIS: Backfill wird nur für datasetbasierte DataDriftDetector-Objekte unterstützt.
create_from_datasets	Erstellen Sie ein neues DataDriftDetector-Objekt aus einem tabellarischen Basisdatensatz und einem Zielzeitreihen-Dataset.
delete	Löschen Sie den Zeitplan für das DataDriftDetector-Objekt.
disable_schedule	Deaktivieren Sie den Zeitplan für das DataDriftDetector-Objekt.
enable_schedule	Erstellen Sie einen Zeitplan zum Ausführen eines datasetbasierten DataDriftDetector-Auftrags.
get_by_name	Rufen Sie ein eindeutiges DataDriftDetector-Objekt für einen bestimmten Arbeitsbereich und Namen ab.
get_output	Rufen Sie ein Tupel der Driftergebnisse und Metriken für einen bestimmten DataDriftDetector über ein bestimmtes Zeitfenster ab.
list	Dient zum Abrufen einer Liste von DataDriftDetector-Objekten für den angegebenen Arbeitsbereich und optionales Dataset. HINWEIS: Übergeben nur des `workspace` Parameters gibt alle DataDriftDetector-Objekte zurück, die im Arbeitsbereich definiert sind.
run	Führen Sie einen einzelnen Punkt in der Analyse von Datenabweichungen aus.
show	Datenabweichungstrend in einem bestimmten Zeitraum anzeigen. Standardmäßig zeigt diese Methode die letzten 10 Zyklen an. Wenn die Häufigkeit z. B. Tag ist, ist sie die letzte 10 Tage. Wenn die Häufigkeit Woche ist, ist sie die letzte 10 Wochen.
update	Aktualisieren Sie den Zeitplan, der dem DataDriftDetector-Objekt zugeordnet ist. Optionale Parameterwerte können auf `None`festgelegt werden, andernfalls werden sie standardmäßig auf ihre vorhandenen Werte festgelegt.

backfill

Führen Sie einen Backfill-Auftrag über einem angegebenen Anfangs- und Enddatum aus.

Details zu Datenabweichungs-Backfill-Ausführungen finden Sie unter https://aka.ms/datadrift.

HINWEIS: Backfill wird nur für datasetbasierte DataDriftDetector-Objekte unterstützt.

backfill(start_date, end_date, compute_target=None, create_compute_target=False)

Parameter

Name	Beschreibung
start_date Erforderlich	datetime Das Startdatum des Rückfüllauftrags.
end_date Erforderlich	datetime Das Enddatum des Backfill-Auftrags (einschließlich).
compute_target	ComputeTarget oder str Optionaler Azure Machine Learning ComputeTarget- oder ComputeTarget-Name. DataDriftDetector erstellt ein Computeziel, wenn keine angegeben ist. Standardwert: None
create_compute_target	bool Gibt an, ob automatisch ein Azure Machine Learning-Computeziel erstellt wird. Standardwert: False

Gibt zurück

Typ	Beschreibung
Run	Eine DataDriftDetector-Ausführung.

create_from_datasets

Erstellen Sie ein neues DataDriftDetector-Objekt aus einem tabellarischen Basisdatensatz und einem Zielzeitreihen-Dataset.

static create_from_datasets(workspace, name, baseline_dataset, target_dataset, compute_target=None, frequency=None, feature_list=None, alert_config=None, drift_threshold=None, latency=None)

Parameter

Name	Beschreibung
workspace Erforderlich	Workspace Der Arbeitsbereich zum Erstellen des DataDriftDetectors in.
name Erforderlich	str Ein eindeutiger Name für das DataDriftDetector-Objekt.
baseline_dataset Erforderlich	TabularDataset Dataset zum Vergleichen des Ziel-Datasets mit.
target_dataset Erforderlich	TabularDataset Dataset zum Ausführen von Adhoc- oder geplanten DataDrift-Aufträgen. Muss eine Zeitreihe sein.
compute_target	ComputeTarget oder str Optionaler Azure Machine Learning ComputeTarget- oder ComputeTarget-Name. DataDriftDetector erstellt ein Computeziel, wenn es nicht angegeben ist. Standardwert: None
frequency	str Optionale Häufigkeit, die angibt, wie oft die Pipeline ausgeführt wird. Unterstützt "Day", "Week" oder "Month". Standardwert: None
feature_list	list[str] Optionale Features in der Whiteliste, um die Datendrifterkennung auszuführen. DataDriftDetector-Aufträge werden für alle Features ausgeführt, wenn `feature_list` nicht angegeben ist. Die Featureliste kann Zeichen, Zahlen, Striche und Leerzeichen enthalten. Die Länge der Liste muss kleiner als 200 sein. Standardwert: None
alert_config	AlertConfiguration Optionales Konfigurationsobjekt für DataDriftDetector-Warnungen. Standardwert: None
drift_threshold	float Optionaler Schwellenwert, um DataDriftDetector-Warnungen zu aktivieren. Der Wert muss zwischen 0 und 1 sein. Ein Wert von 0,2 wird verwendet, wenn "None" angegeben wird (Standardeinstellung). Standardwert: None
latency	int Verzögerung in Stunden, damit Daten im Dataset angezeigt werden. Standardwert: None

Gibt zurück

Typ	Beschreibung
DataDriftDetector	Ein DataDriftDetector-Objekt.

Ausnahmen

Typ	Beschreibung
<xref:KeyError>, <xref:TypeError>, <xref:ValueError>

Hinweise

Datasetbasierte DataDriftDetectors ermöglichen es Ihnen, die Datenabweichung zwischen einem Basisdatensatz zu berechnen, der ein TabularDatasetsein muss, und einem Zieldatensatz, der ein Datenreihe-Dataset sein muss. Ein Zeitreihen-Dataset ist einfach eine TabularDataset mit der fine_grain_timestamp-Eigenschaft. Der DataDriftDetector kann dann Adhoc- oder geplante Aufträge ausführen, um zu ermitteln, ob das Zieldatensatz vom Basisdatensatz entfernt wurde.


   from azureml.core import Workspace, Dataset
   from azureml.datadrift import DataDriftDetector

   ws = Workspace.from_config()
   baseline = Dataset.get_by_name(ws, 'my_baseline_dataset')
   target = Dataset.get_by_name(ws, 'my_target_dataset')

   detector = DataDriftDetector.create_from_datasets(workspace=ws,
                                                     name="my_unique_detector_name",
                                                     baseline_dataset=baseline,
                                                     target_dataset=target,
                                                     compute_target_name='my_compute_target',
                                                     frequency="Day",
                                                     feature_list=['my_feature_1', 'my_feature_2'],
                                                     alert_config=AlertConfiguration(email_addresses=['user@contoso.com']),
                                                     drift_threshold=0.3,
                                                     latency=1)

delete

Löschen Sie den Zeitplan für das DataDriftDetector-Objekt.

delete(wait_for_completion=True)

Parameter

Name	Beschreibung
wait_for_completion	bool Gibt an, ob der Löschvorgang abgeschlossen werden soll. Standardwert: True

disable_schedule

Deaktivieren Sie den Zeitplan für das DataDriftDetector-Objekt.

disable_schedule(wait_for_completion=True)

Parameter

Name	Beschreibung
wait_for_completion	bool Gibt an, ob auf den Abschluss des Deaktivierenvorgangs gewartet werden soll. Standardwert: True

enable_schedule

Erstellen Sie einen Zeitplan zum Ausführen eines datasetbasierten DataDriftDetector-Auftrags.

enable_schedule(create_compute_target=False, wait_for_completion=True)

Parameter

Name	Beschreibung
create_compute_target	bool Gibt an, ob automatisch ein Azure Machine Learning-Computeziel erstellt wird. Standardwert: False
wait_for_completion	bool Gibt an, ob auf den Abschluss des Aktivierungsvorgangs gewartet werden soll. Standardwert: True

get_by_name

Rufen Sie ein eindeutiges DataDriftDetector-Objekt für einen bestimmten Arbeitsbereich und Namen ab.

static get_by_name(workspace, name)

Parameter

Name	Beschreibung
workspace Erforderlich	Workspace Der Arbeitsbereich, in dem der DataDriftDetector erstellt wurde.
name Erforderlich	str Der Name des zurückzugebenden DataDriftDetector-Objekts.

Gibt zurück

Typ	Beschreibung
DataDriftDetector	Ein DataDriftDetector-Objekt.

get_output

Rufen Sie ein Tupel der Driftergebnisse und Metriken für einen bestimmten DataDriftDetector über ein bestimmtes Zeitfenster ab.

get_output(start_time=None, end_time=None, run_id=None)

Parameter

Name	Beschreibung
start_time	datetime, <xref:optional> Die Startzeit des Ergebnisfensters in UTC. Wenn "None" (Standard) angegeben ist, werden die Ergebnisse des letzten 10. Zyklus als Startzeit verwendet. Wenn beispielsweise die Häufigkeit des Datenabweichungszeitplans Tag ist, beträgt `start_time` 10 Tage. Wenn die Häufigkeit woche ist, beträgt `start_time` 10 Wochen. Standardwert: None
end_time	datetime, <xref:optional> Die Endzeit des Ergebnisfensters in UTC. Wenn Keine (Standardeinstellung) angegeben ist, wird der aktuelle Tag UTC als Endzeit verwendet. Standardwert: None
run_id	int, <xref:optional> Eine bestimmte Ausführungs-ID. Standardwert: None

Gibt zurück

Typ	Beschreibung
tuple(list, list)	Ein Tupel einer Liste von Driftergebnissen und einer Liste einzelner Dataset- und Spaltenmetriken.

Hinweise

Diese Methode gibt ein Tupel von Driftergebnissen und Metriken für ein Zeitfenster oder eine Ausführungs-ID basierend auf dem Typ der Ausführung zurück: ein Adhoc- Ausführen, eine geplante Ausführung und eine Backfill-Ausführung.

Um Adhoc Ergebnisse abzurufen, gibt es nur eine Möglichkeit: run_id sollte eine gültige GUID sein.
Um geplante Ausführungs- und Backfill-Ausführungsergebnisse abzurufen, gibt es zwei verschiedene Möglichkeiten: Weisen Sie entweder eine gültige GUID zu, um run_id oder eine bestimmte start_time und/oder end_time (einschließlich) zuzuweisen, während sie run_id als "Keine" beibehalten.
Wenn run_id, start_timeund end_time im gleichen Methodenaufruf keines sind, wird eine Ausnahme für die Parameterüberprüfung ausgelöst.

HINWEIS: Geben Sie entweder parameter start_time und end_time oder den parameter run_id an, aber nicht beides.

Es ist möglich, dass mehrere Ergebnisse für dasselbe Zieldatum vorliegen (Zieldatum bedeutet Das Startdatum des Zieldatensatzes für datasetbasierte Drift). Daher ist es notwendig, doppelte Ergebnisse zu identifizieren und zu behandeln. Bei datasetbasierter Abweichung, wenn die Ergebnisse für dasselbe Zieldatum liegen, werden sie dupliziert. Mit der get_output-Methode werden alle duplizierten Ergebnisse nach einer Regel entfernt: Immer die neuesten generierten Ergebnisse aufnehmen.

Die get_output Methode kann verwendet werden, um alle Ausgaben oder teilweisen Ausgaben geplanter Ausführungen in einem bestimmten Zeitraum zwischen start_time und end_time (eingeschlossene Grenze) abzurufen. Sie können auch die Ergebnisse einer einzelnen adhoc- einschränken, indem Sie die run_idangeben.

Verwenden Sie die folgenden Richtlinien, um ergebnisse zu interpretieren, die von der get_output-Methode zurückgegeben werden:

Das Prinzip der Filterung ist "überlappend": Solange es eine Überlappung zwischen der tatsächlichen Ergebniszeit (datasetbasiert: Zieldatensatz [Startdatum, Enddatum]) und dem angegebenen [start_time, end_time] gibt, wird das Ergebnis aufgenommen.
Wenn mehrere Ausgaben für ein Zieldatum vorhanden sind, da die Driftberechnung mehrmals für diesen Tag ausgeführt wurde, wird standardmäßig nur die neueste Ausgabe ausgewählt.
Da es mehrere Typen einer Datenabweichungsinstanz gibt, kann der Ergebnisinhalt unterschiedlich sein.

Bei datasetbasierten Ergebnissen sieht die Ausgabe wie folgt aus:


   results : [{'drift_type': 'DatasetBased',
               'result':[{'has_drift': True, 'drift_threshold': 0.3,
                          'start_date': '2019-04-03', 'end_date': '2019-04-04',
                          'base_dataset_id': '4ac144ef-c86d-4c81-b7e5-ea6bbcd2dc7d',
                          'target_dataset_id': '13445141-aaaa-bbbb-cccc-ea23542bcaf9'}]}]
   metrics : [{'drift_type': 'DatasetBased',
               'metrics': [{'schema_version': '0.1',
                            'start_date': '2019-04-03', 'end_date': '2019-04-04',
                            'baseline_dataset_id': '4ac144ef-c86d-4c81-b7e5-ea6bbcd2dc7d',
                            'target_dataset_id': '13445141-aaaa-bbbb-cccc-ea23542bcaf9'
                            'dataset_metrics': [{'name': 'datadrift_coefficient', 'value': 0.53459}],
                            'column_metrics': [{'feature1': [{'name': 'datadrift_contribution',
                                                              'value': 288.0},
                                                             {'name': 'wasserstein_distance',
                                                              'value': 4.858040000000001},
                                                             {'name': 'energy_distance',
                                                              'value': 2.7204799576545313}]}]}]}]

list

Dient zum Abrufen einer Liste von DataDriftDetector-Objekten für den angegebenen Arbeitsbereich und optionales Dataset.

HINWEIS: Übergeben nur des workspace Parameters gibt alle DataDriftDetector-Objekte zurück, die im Arbeitsbereich definiert sind.

static list(workspace, baseline_dataset=None, target_dataset=None)

Parameter

Name	Beschreibung
workspace Erforderlich	Workspace Der Arbeitsbereich, in dem die DataDriftDetector-Objekte erstellt wurden.
baseline_dataset	TabularDataset Basisdatensatz zum Filtern der Rückgabeliste. Standardwert: None
target_dataset	TabularDataset Ziel-Dataset zum Filtern der Rückgabeliste. Standardwert: None

Gibt zurück

Typ	Beschreibung
list[DataDriftDetector]	Eine Liste der DataDriftDetector-Objekte.

run

Führen Sie einen einzelnen Punkt in der Analyse von Datenabweichungen aus.

run(target_date, compute_target=None, create_compute_target=False, feature_list=None, drift_threshold=None)

Parameter

Name	Beschreibung
target_date Erforderlich	datetime Das Zieldatum der Bewertungsdaten in UTC.
compute_target	ComputeTarget oder str Optionaler Azure Machine Learning ComputeTarget- oder ComputeTarget-Name. Wenn nicht angegeben, wird automatisch ein Computeziel erstellt. Standardwert: None
create_compute_target	bool Gibt an, ob automatisch ein Azure Machine Learning-Computeziel erstellt wird. Standardwert: False
feature_list	list[str] Optionale Features in der Whiteliste, um die Datendrifterkennung auszuführen. Standardwert: None
drift_threshold	float Optionaler Schwellenwert, um DataDriftDetector-Warnungen zu aktivieren. Standardwert: None

Gibt zurück

Typ	Beschreibung
Run	Eine DataDriftDetector-Ausführung.

show

Datenabweichungstrend in einem bestimmten Zeitraum anzeigen.

Standardmäßig zeigt diese Methode die letzten 10 Zyklen an. Wenn die Häufigkeit z. B. Tag ist, ist sie die letzte 10 Tage. Wenn die Häufigkeit Woche ist, ist sie die letzte 10 Wochen.

show(start_time=None, end_time=None)

Parameter

Name	Beschreibung
start_time	datetime, <xref:optional> Der Anfang des Präsentationszeitfensters in UTC. Die Standardeinstellung "None" bedeutet, dass die Ergebnisse des letzten 10. Zyklus aufgenommen werden. Standardwert: None
end_time	datetime, <xref:optional> Das Ende des Präsentationsdatenzeitfensters in UTC. Die Standardeinstellung "Keine" bedeutet den aktuellen Tag. Standardwert: None

Gibt zurück

Typ	Beschreibung
dict()	Ein Wörterbuch aller Zahlen. Der Schlüssel ist service_name.

update

Aktualisieren Sie den Zeitplan, der dem DataDriftDetector-Objekt zugeordnet ist.

Optionale Parameterwerte können auf Nonefestgelegt werden, andernfalls werden sie standardmäßig auf ihre vorhandenen Werte festgelegt.

update(compute_target=Ellipsis, feature_list=Ellipsis, schedule_start=Ellipsis, alert_config=Ellipsis, drift_threshold=Ellipsis, wait_for_completion=True)

Parameter

Name	Beschreibung
compute_target	ComputeTarget oder str Optionaler Azure Machine Learning ComputeTarget- oder ComputeTarget-Name. DataDriftDetector erstellt ein Computeziel, wenn dieser Parameter nicht angegeben ist. Standardwert: Ellipsis
feature_list	list[str] Features auf der Whiteliste, um die Datendrifterkennung auszuführen. Standardwert: Ellipsis
schedule_start	datetime Die Startzeit des Datenabweichungszeitplans in UTC. Standardwert: Ellipsis
alert_config	AlertConfiguration Optionales Konfigurationsobjekt für DataDriftDetector-Warnungen. Standardwert: Ellipsis
drift_threshold	float Der Schwellenwert zum Aktivieren von DataDriftDetector-Warnungen. Standardwert: Ellipsis
wait_for_completion	bool Gibt an, ob auf den Abschluss der Aktivierungs-/Deaktiv-/Löschvorgänge gewartet werden soll. Standardwert: True

Gibt zurück

Typ	Beschreibung
DataDriftDetector	selbst

Attribute

alert_config

Rufen Sie die Warnungskonfiguration für das DataDriftDetector-Objekt ab.

Gibt zurück

Typ	Beschreibung
AlertConfiguration	Ein AlertConfiguration-Objekt.

baseline_dataset

Rufen Sie das Basisdatenset ab, das dem DataDriftDetector-Objekt zugeordnet ist.

Gibt zurück

Typ	Beschreibung
TabularDataset	Datasettyp des Basisdatensatzes.

compute_target

Rufen Sie das an das DataDriftDetector-Objekt angefügte Computeziel ab.

Gibt zurück

Typ	Beschreibung
ComputeTarget	Das Computeziel.

drift_threshold

Rufen Sie den Abweichungsschwellenwert für das DataDriftDetector-Objekt ab.

Gibt zurück

Typ	Beschreibung
float	Die Abweichungsschwelle.

drift_type

Rufen Sie den Typ des DataDriftDetector ab, "DatasetBased" ist der einzige Wert, der derzeit unterstützt wird.

Gibt zurück

Typ	Beschreibung
str	Der Typ des DataDriftDetector-Objekts.

enabled

Rufen Sie den booleschen Wert ab, der angibt, ob das DataDriftDetector -Objekt aktiviert ist.

Gibt zurück

Typ	Beschreibung
bool	Boolescher Wert; True für aktiviert.

feature_list

Dient zum Abrufen der Liste der Whitelist-Features für das DataDriftDetector-Objekt.

Gibt zurück

Typ	Beschreibung
list[str]	Eine Liste der Featurenamen.

frequency

Ruft die Häufigkeit des DataDriftDetector-Zeitplans ab.

Gibt zurück

Typ	Beschreibung
str	Eine Zeichenfolge von "Tag", "Woche" oder "Monat"

interval

Ruft das Intervall des DataDriftDetector-Zeitplans ab.

Gibt zurück

Typ	Beschreibung
int	Ein ganzzahliger Wert der Zeiteinheit.

latency

Rufen Sie die Latenz der DataDriftDetector-Zeitplanaufträge (in Stunden) ab.

Gibt zurück

Typ	Beschreibung
int	Die Anzahl der Stunden, die die Latenz darstellen.

name

Rufen Sie den Namen des DataDriftDetector-Objekts ab.

Gibt zurück

Typ	Beschreibung
str	Der Name des DataDriftDetectors.

schedule_start

Rufen Sie die Startzeit des Zeitplans ab.

Gibt zurück

Typ	Beschreibung
datetime	Ein Datetime-Objekt der Startzeit des Zeitplans in UTC.

state

Gibt den Status des DataDriftDetector-Zeitplans an.

Gibt zurück

Typ	Beschreibung
str	Einer von 'Disabled', 'Enabled', 'Deleted', 'Disable', 'Enabling', 'Delete', 'Failed', 'DisableFailed', 'EnableFailed', 'DeleteFailed'.

target_dataset

Rufen Sie das Zieldatenset ab, das dem DataDriftDetector-Objekt zugeordnet ist.

Gibt zurück

Typ	Beschreibung
TabularDataset	Der Datasettyp des Basisdatensatzes.

workspace

Rufen Sie den Arbeitsbereich des DataDriftDetector-Objekts ab.

Gibt zurück

Typ	Beschreibung
Workspace	Der Arbeitsbereich, in dem das DataDriftDetector-Objekt erstellt wurde.

Freigeben über

DataDriftDetector Klasse

Konstruktor

Parameter

Hinweise

Methoden

backfill

Parameter

Gibt zurück

create_from_datasets

Parameter

Gibt zurück

Ausnahmen

Hinweise

delete

Parameter

disable_schedule

Parameter

enable_schedule

Parameter

get_by_name

Parameter

Gibt zurück

get_output

Parameter

Gibt zurück

Hinweise

list

Parameter

Gibt zurück

run

Parameter

Gibt zurück

show

Parameter

Gibt zurück

update

Parameter

Gibt zurück

Attribute

alert_config

Gibt zurück

baseline_dataset

Gibt zurück

compute_target

Gibt zurück

drift_threshold

Gibt zurück

drift_type

Gibt zurück

enabled

Gibt zurück

feature_list

Gibt zurück

frequency

Gibt zurück

interval

Gibt zurück

latency

Gibt zurück

name

Gibt zurück

schedule_start

Gibt zurück

state

Gibt zurück

target_dataset

Gibt zurück

workspace

Gibt zurück

Feedback

Zusätzliche Ressourcen