constants Módulo

Define las constantes de ML automatizado usadas en Azure Machine Learning.

Clases

API	Define los nombres para las operaciones de API de Azure Machine Learning que se pueden realizar.
AcquisitionFunction	Define los nombres de todas las funciones de adquisición que se usan para seleccionar la siguiente canalización. El valor predeterminado es EI (mejora esperada).
AggregationFunctions	Defina las funciones de agregación para las columnas numéricas.
AutoMLDefaultTimeouts	Constantes para almacenar los tiempos de espera predeterminados
AutoMLJson	Define las constantes para JSON creadas por ML automatizado.
AutoMLValidation	Define las constantes de ML automatizado usadas en Azure Machine Learning.
CheckImbalance	Si la proporción de las muestras de la clase de minoría con las muestras de la clase de mayoría es igual o menor que este umbral, se detectará un desequilibrio en el conjunto de datos.
ClientErrors	Define los errores de cliente que pueden producirse al infringir las restricciones de coste especificadas por el usuario.
DatetimeDtype	Define los tipos de datos datetime admitidos. Los nombres corresponden a la salida de pandas.api.types.infer_dtype().
Defaults	Define los valores predeterminados de las canalizaciones.
Dependencies	Define las constantes de ML automatizado usadas en Azure Machine Learning.
EnsembleConstants	Define las constantes usadas para las iteraciones de conexión mediante ensemble.
EnsembleMethod	Define métodos de conjunto.
ExceptionFragments	Fragmentos de excepciones
FeatureSweeping	Define constantes para el barrido de características.
FitPipelineComponentName	Constantes para los nombres del componente FitPipeline.
HyperparameterSweepingConstants	Define constantes relacionadas con el ajuste de hiperparámetros.
IterationTimeout	Define formas de cambiar el per_iteration_timeout.
LearnerColumns	Define todas las columnas usadas para la canalización del aprendiz.
LegacyModelNames	Define los nombres de todos los modelos admitidos por el recomendador Miro en ML automatizado. Estos nombres se siguen utilizando para hacer referencia a objetos de la base de datos Miro, pero no los usan los clientes de ML automatizado.
MLFlowLiterals	Constantes relacionadas con MLFlow.
MLFlowMetaLiterals	Constantes relacionadas con metdata de MLFlow.
MLTableLiterals	Define las constantes de ML automatizado usadas en Azure Machine Learning.
Metric	Define todas las métricas admitidas por clasificación y regresión.
MetricExtrasConstants	Define los valores internos de los intervalos de confianza
MetricObjective	Define asignaciones de métricas a su objetivo. Los objetivos son la maximización o minimización (regresión y clasificación).
ModelCategories	Define categorías para los modelos.
ModelClassNames	Define los nombres de clase para los modelos. Son nombres de clase contenedora de modelos en las especificaciones de canalización.
ModelName	Define un nombre de modelo que incluye los nombres de cliente, los nombres heredados y los nombres de clase. Init ModelName.
ModelNameMappings	Define asignaciones de nombres de modelo.
ModelParameters	Define nombres de parámetro específicos de determinados modelos. Por ejemplo, para indicar qué características del conjunto de datos son categóricas, un modelo LightGBM acepta el parámetro "categorical_feature" mientras que un modelo CatBoost acepta el parámetro "cat_features".
NumericalDtype	Define los tipos de datos numéricos admitidos. Los nombres corresponden a la salida de pandas.api.types.infer_dtype().
Optimizer	Define las categorías de algoritmos de predicción de canalización usados. "random" proporciona una base de referencia seleccionando una canalización aleatoriamente. "lvm" usa modelos de variables latentes para predecir las canalizaciones siguientes probables según el rendimiento de las canalizaciones anteriores.
OptimizerObjectives	Define los objetivos que un algoritmo puede tener en relación con una métrica. Algunas métricas deben maximizarse y otras deben minimizarse.
PipelineCost	Define los modos del modelo de costo. COST_NONE devuelve todas las canalizaciones previstas COST_FILTER devuelve solo las canalizaciones que predijeron los modelos de costos para cumplir las condiciones de costo especificadas por el usuario COST_SCALE divide la puntuación de la función de adquisición por el tiempo previsto
PipelineMaskProfiles	Define perfiles de máscara para las canalizaciones.
PipelineParameterConstraintCheckStatus	Define valores que indican si la canalización es válida.
PreprocessorCategories	Define categorías para preprocesadores.
RuleBasedValidation	Define constantes para la configuración de validación basada en reglas.
RunState	Define los estados en los que puede estar una ejecución.
ServerStatus	Define los valores de estado del servidor.
ShortSeriesHandlingValues	Defina los valores posibles de la configuración ShortSeriesHandling.
Status	Define los posibles estados de ejecución secundarios.
SubsamplingSchedule	Define estrategias de submuestreo.
SubsamplingTreatment	Define el tratamiento de submuestreo en GP.
Subtasks	Define los nombres de las subtareas.
SupportedCategoricals	Define aprendizajes de categorías admitidos en el tipo _set_dataset_categoricals:
SupportedInputDatatypes	Tipos de datos de entrada admitidos por AutoML para distintos tipos de ejecución.
SupportedModelNames	Define los modelos admitidos en los que cada modelo tiene un nombre de cliente, un nombre de modelo heredado y un nombre de clase de modelo.
SupportedModels	Define nombres orientados al cliente para los algoritmos admitidos por ML automatizado en Azure Machine Learning.
Tasks	Define los tipos de tareas de aprendizaje automático compatibles con ML automatizado.
TelemetryConstants	Define constantes de telemetría.
TextOrCategoricalDtype	Define tipos de datos categóricos admitidos.
TimeConstraintEnforcement	Enumeración de los modos de aplicación de la restricción de tiempo.
TimeSeries	Define los parámetros usados para las series temporales.
TimeSeriesInternal	Define constantes TimeSeries no orientadas al usuario.
TimeSeriesWebLinks	Defina los vínculos web para la documentación de serie temporal.
TrainingResultsType	Define los posibles resultados de la clase runners.
TrainingType	Define métodos de validación. Los distintos tipos de experimento usarán distintos métodos de validación.
Transformers	Define los transformadores utilizados para el procesamiento de datos.
ValidationLimitRule	Define reglas de validación. Inicialización de la regla en función de las entradas.

Enumeraciones

ErrorLinks	Constantes para almacenar el vínculo para corregir los errores.
ImageTask	Tipos de tareas de imágenes disponibles.
MLTableDataLabel	Una enumeración.

Funciones

get_metric_from_type

Obtenga métricas válidas para un tipo de entrenamiento determinado.

get_metric_from_type(t)

Parámetros

Nombre	Description
t Requerido

get_status_from_type

Obtiene los estados de entrenamiento válidos para un tipo de entrenamiento determinado.

get_status_from_type(t)

Parámetros

Nombre	Description
t Requerido

Sample_Weights_Unsupported

Nombres de algoritmo que debemos forzar para que se ejecuten en modo de subproceso único.

Sample_Weights_Unsupported = {'ElasticNet', 'KNeighborsClassifier', 'KNeighborsRegressor', 'LassoLars'}

TIMEOUT_TAG

Nombres de algoritmos que no admiten pesos de muestra.

TIMEOUT_TAG = 'timeout'