次の方法で共有

automl パッケージ

  • リファレンス

Azure Machine Learning SDKv2 用の自動機械学習クラスが含まれています。

主な領域は、AutoML タスクの管理です。

クラス

ClassificationJob

AutoML 分類ジョブの構成。

新しい AutoML 分類タスクを初期化します。
ColumnTransformer

列トランスフォーマーの設定。
ForecastingJob

AutoML 予測タスクの構成。

新しい AutoML 予測タスクを初期化します。
ForecastingSettings

AutoML ジョブの予測設定。
ImageClassificationJob

AutoML 複数クラスの画像分類ジョブの構成。

新しい AutoML マルチクラスイメージ分類ジョブを初期化します。
ImageClassificationMultilabelJob

AutoML マルチラベル画像分類ジョブの構成。

新しい AutoML マルチラベル画像分類ジョブを初期化します。
ImageClassificationSearchSpace

AutoML 画像分類タスクと画像分類マルチラベル タスクの検索スペース。
ImageInstanceSegmentationJob

AutoML Image Instance のセグメント化ジョブの構成。

新しい AutoML イメージ インスタンスのセグメント化ジョブを初期化します。
ImageLimitSettings

AutoML Image Verticals の設定を制限します。

ImageLimitSettings は、max_concurrent_trials、max_trials、timeout_minutesの各パラメーターを含むクラスです。

これは、タイムアウトなどの制限パラメーターを構成するためのオプションの構成方法です。

Note

並列実行の数は、指定された計算ターゲットで使用できるリソースに基づいて制御されます。

目的の同時実行可能性のために、使用可能なリソースをコンピューティング先に確保する必要があります。

ヒント

max_concurrent_trials数とクラスター内のノード数を照合することをお勧めします。

たとえば、4 つのノードを持つクラスターがある場合は、max_concurrent_trials を 4 に設定します。

使用例

ImageLimitSettings の構成


   from azure.ai.ml import automl

   # Create the AutoML job with the related factory-function.
   image_instance_segmentation_job = automl.image_instance_segmentation(
       compute=compute_name,
       experiment_name=exp_name,
       training_data=my_training_data_input,
       validation_data=my_validation_data_input,
       target_column_name="label",
       primary_metric="MeanAveragePrecision",
       tags={"my_custom_tag": "custom value"},
   )
   # Set the limits for the AutoML job.
   image_instance_segmentation_job.set_limits(
       max_trials=10,
       max_concurrent_trials=2,
   )
   # Submit the AutoML job.
   image_instance_segmentation_job.submit()

ImageLimitSettings オブジェクトを初期化します。

AutoML Image Verticals の ImageLimitSettings のコンストラクター。
ImageModelSettingsClassification

AutoML 画像分類タスクのモデル設定。
ImageModelSettingsObjectDetection

AutoML 画像オブジェクト検出タスクのモデル設定。
ImageObjectDetectionJob

AutoML Image Object Detection ジョブの構成。

新しい AutoML イメージ オブジェクト検出ジョブを初期化します。
ImageObjectDetectionSearchSpace

AutoML Image Object Detection タスクと Image Instance セグメンテーション タスクの検索スペース。
ImageSweepSettings

すべての AutoML Image Verticals のスイープ設定。
NlpFeaturizationSettings

すべての AutoML NLP Verticals の特徴付け設定。
NlpFixedParameters

NLP ジョブの固定パラメーターを格納する オブジェクト。
NlpLimitSettings

すべての AutoML NLP Verticals の設定を制限します。
NlpSearchSpace

AutoML NLP タスクの検索スペース。
NlpSweepSettings

すべての AutoML NLP タスクのスイープ設定。
RegressionJob

AutoML 回帰ジョブの構成。

新しい AutoML 回帰タスクを初期化します。
SearchSpace

AutoML バーティカルの SearchSpace クラス。
StackEnsembleSettings

StackEnsemble の実行をカスタマイズするための事前設定。
TabularFeaturizationSettings

AutoML ジョブの特徴付け設定。
TabularLimitSettings

AutoML テーブルのバーティカルの設定を制限します。
TextClassificationJob

AutoML テキスト分類ジョブの構成。

新しい AutoML テキスト分類タスクを初期化します。
TextClassificationMultilabelJob

AutoML テキスト分類マルチラベル ジョブの構成。

新しい AutoML テキスト分類 Multilabel タスクを初期化します。
TextNerJob

AutoML Text NER ジョブの構成。

新しい AutoML テキスト NER タスクを初期化します。
TrainingSettings

Azure Machine Learning の TrainingSettings クラス。

Azure Machine Learning の TrainingSettings クラス。

列挙型

BlockedTransformers

AutoML でサポートされているすべての分類モデルの列挙型。
ClassificationModels

AutoML でサポートされているすべての分類モデルの列挙型。
ClassificationMultilabelPrimaryMetrics

分類マルチラベル タスクの主要なメトリック。
ClassificationPrimaryMetrics

分類タスクの主要なメトリック。
FeaturizationMode

特徴付けモード - データ特徴付けモードを決定します。
ForecastHorizonMode

予測期間の選択モードを決定する列挙型。
ForecastingModels

AutoML でサポートされているすべての予測モデルの列挙型。
ForecastingPrimaryMetrics

予測タスクの主要なメトリック。
InstanceSegmentationPrimaryMetrics

InstanceSegmentation タスクのプライマリ メトリック。
LearningRateScheduler

学習率スケジューラ列挙型。
LogTrainingMetrics

Azure Machine Learning SDKv2 用の自動機械学習クラスが含まれています。

主な領域は、AutoML タスクの管理です。
LogValidationLoss

Azure Machine Learning SDKv2 用の自動機械学習クラスが含まれています。

主な領域は、AutoML タスクの管理です。
NCrossValidationsMode

N-Cross 検証値の決定方法を決定します。
ObjectDetectionPrimaryMetrics

Image ObjectDetection タスクのプライマリ メトリック。
RegressionModels

AutoML でサポートされているすべての回帰モデルの列挙型。
RegressionPrimaryMetrics

回帰タスクの主なメトリック。
SamplingAlgorithmType

Azure Machine Learning SDKv2 用の自動機械学習クラスが含まれています。

主な領域は、AutoML タスクの管理です。
ShortSeriesHandlingConfiguration

AutoML で短い時系列を処理する方法を定義するパラメーター。
StochasticOptimizer

画像モデルの確率オプティマイザー。
TargetAggregationFunction

ターゲット集計関数。
TargetLagsMode

ターゲットラグ選択モード。
TargetRollingWindowSizeMode

ローリング ウィンドウ サイズ モードをターゲットにします。
UseStl

時系列ターゲット列の STL 分解を構成します。
ValidationMetricType

画像タスクの検証メトリックに使用するメトリック計算方法。

機能

classification

ClassificationJob を作成する関数。

分類ジョブは、データ サンプルのクラスを最適に予測するモデルをトレーニングするために使用されます。 トレーニング データを使用して、さまざまなモデルがトレーニングされます。 プライマリ メトリックに基づく検証データに対して最適なパフォーマンスを持つモデルが、最終的なモデルとして選択されます。

classification(*, training_data: Input, target_column_name: str, primary_metric: str | None = None, enable_model_explainability: bool | None = None, weight_column_name: str | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, n_cross_validations: str | int | None = None, cv_split_column_names: List[str] | None = None, test_data: Input | None = None, test_data_size: float | None = None, **kwargs) -> ClassificationJob

パラメーター

training_data
Input

実験内で使用するトレーニング データ。 トレーニング特徴量およびラベル列 (必要に応じて、サンプルの重み列) の両方を含める必要があります。

target_column_name
str

ラベル列の名前。 このパラメーターは、、および test_data パラメーターにtraining_datavalidation_data適用できます

primary_metric

モデルの選択のために、自動機械学習によって最適化されるメトリック。 自動機械学習によって、最適化できるよりも多くのメトリックが収集されます。 メトリックの計算方法の詳細については、https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric を参照してください。

許容される値: 精度、AUC_weighted、norm_macro_recall、average_precision_score_weighted、precision_score_weighted精度の既定値

enable_model_explainability
bool

すべての AutoML トレーニング反復の最後に、最適な AutoML モデルを説明できるかどうか。 既定値は None です。 詳細については、「解釈可能性: 自動 ML でのモデル説明」を参照してください。

weight_column_name
str

サンプルの重み列の名前。 自動 ML では、入力として重み付け列がサポートされているため、データ内の行が重み付けされます。 入力データが列名を持たない pandas.DataFrame の場合、代わりに列のインデックスを使用して、整数で表すことができます。

このパラメーターは、 パラメーターと validation_data パラメーターにtraining_data適用できます

validation_data
Input

実験内で使用する検証データ。 トレーニング特徴量およびラベル列 (必要に応じて、サンプルの重み列) の両方を含める必要があります。

既定値は None です

validation_data_size
float

ユーザー検証データを指定しない場合に、検証用に保持するデータの割合。 これは、0.0 から 1.0 の範囲内 (限界値は含まない) である必要があります。

検証データを提供するには validation_data を指定します。それ以外の場合は、n_cross_validations または validation_data_size を設定して、指定したトレーニング データから検証データを抽出します。 カスタムのクロス検証フォールドの場合は、cv_split_column_names を使用します。

詳細については、自動機械学習のデータ分割とクロス検証の構成に関する記事をご覧ください。

既定値は None です

n_cross_validations
Union[str, int]

ユーザー検証データが指定されていない場合に実行するクロス検証の数。

検証データを提供するには validation_data を指定します。それ以外の場合は、n_cross_validations または validation_data_size を設定して、指定したトレーニング データから検証データを抽出します。 カスタムのクロス検証フォールドの場合は、cv_split_column_names を使用します。

詳細については、自動機械学習のデータ分割とクロス検証の構成に関する記事をご覧ください。

既定値は None です

cv_split_column_names
List[str]

カスタムのクロス検証分割が含まれる列の名前のリスト。 各 CV 分割列が 1 つの CV 分割を表します。このとき、各行は、トレーニングに 1、検証に 0 がマークされます。

既定値は None です

test_data
Input

テスト データセットまたはテスト データ分割を使用するモデル テスト機能は、プレビュー段階の機能であり、いつでも変更される可能性があります。 モデルのトレーニングが完了した後に自動的に開始されるテスト実行に使用するテスト データ。 テスト実行で、最適なモデルを使用して予測が得られ、これらの予測に基づいてメトリックが計算されます。

このパラメーターまたは test_data_size パラメーターを指定しない場合、モデルのトレーニングが完了した後に、テスト実行は自動的には実行されません。 テスト データに特徴量およびラベル列の両方を含める必要があります。 test_data を指定する場合は、target_column_name パラメーターを指定する必要があります。

既定値は None です

test_data_size
float

テスト データセットまたはテスト データ分割を使用するモデル テスト機能は、プレビュー段階の機能であり、いつでも変更される可能性があります。 モデルのトレーニングが完了した後に自動的に開始されるテスト実行のために、テスト データ用に保持するトレーニング データの割合。 テスト実行で、最適なモデルを使用して予測が得られ、これらの予測に基づいてメトリックが計算されます。

これは、0.0 から 1.0 の範囲内 (限界値は含まない) である必要があります。 test_data_size を validation_data_size と同時に指定した場合は、テスト データが training_data から分割された後、検証データが分割されます。 たとえば、validation_data_size=0.1 と test_data_size=0.1 を指定し、元のトレーニング データの行数が 1000 行の場合は、テスト データは 100 行になり、検証データに 90 行が含まれ、トレーニング データに 810 行が格納されることになります。

回帰ベースのタスクの場合は、ランダム サンプリングが使用されます。 分類タスクの場合は、層化サンプリングが使用されます。 現在、予測は、トレーニングとテストの分割を使ったテスト データセットの指定をサポートしていません。

このパラメーターまたは test_data パラメーターを指定しない場合、モデルのトレーニングが完了した後に、テスト実行は自動的には実行されません。

既定値は None です

戻り値

実行のために Azure ML コンピューティングに送信できるジョブ オブジェクト。

の戻り値の型 :

ClassificationJob

forecasting

予測ジョブを作成する関数。

予測タスクは、履歴データに基づいて将来の期間のターゲット値を予測するために使用されます。 トレーニング データを使用して、さまざまなモデルがトレーニングされます。 プライマリ メトリックに基づく検証データに対して最適なパフォーマンスを持つモデルが、最終的なモデルとして選択されます。

forecasting(*, training_data: Input, target_column_name: str, primary_metric: str | None = None, enable_model_explainability: bool | None = None, weight_column_name: str | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, n_cross_validations: str | int | None = None, cv_split_column_names: List[str] | None = None, test_data: Input | None = None, test_data_size: float | None = None, forecasting_settings: ForecastingSettings | None = None, **kwargs) -> ForecastingJob

パラメーター

training_data
Input

実験内で使用するトレーニング データ。 トレーニング特徴量およびラベル列 (必要に応じて、サンプルの重み列) の両方を含める必要があります。

target_column_name
str

ラベル列の名前。 このパラメーターは、、および test_data パラメーターにtraining_datavalidation_data適用できます

primary_metric

モデルの選択のために、自動機械学習によって最適化されるメトリック。 自動機械学習によって、最適化できるよりも多くのメトリックが収集されます。 メトリックの計算方法の詳細については、https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric を参照してください。

使用できる値: r2_score、normalized_mean_absolute_error、normalized_root_mean_squared_error既定値normalized_root_mean_squared_error

enable_model_explainability
bool

すべての AutoML トレーニング反復の最後に、最適な AutoML モデルを説明できるかどうか。 既定値は None です。 詳細については、「解釈可能性: 自動 ML でのモデル説明」を参照してください。

weight_column_name
str

サンプルの重み列の名前。 自動 ML では、入力として重み付け列がサポートされているため、データ内の行が重み付けされます。 入力データが列名を持たない pandas.DataFrame の場合、代わりに列のインデックスを使用して、整数で表すことができます。

このパラメーターは、 パラメーターと validation_data パラメーターにtraining_data適用できます

validation_data
Input

実験内で使用する検証データ。 トレーニング特徴量およびラベル列 (必要に応じて、サンプルの重み列) の両方を含める必要があります。

既定値は None です

validation_data_size
float

ユーザー検証データを指定しない場合に、検証用に保持するデータの割合。 これは、0.0 から 1.0 の範囲内 (限界値は含まない) である必要があります。

検証データを提供するには validation_data を指定します。それ以外の場合は、n_cross_validations または validation_data_size を設定して、指定したトレーニング データから検証データを抽出します。 カスタムのクロス検証フォールドの場合は、cv_split_column_names を使用します。

詳細については、自動機械学習のデータ分割とクロス検証の構成に関する記事をご覧ください。

既定値は None です

n_cross_validations
Union[str, int]

ユーザー検証データが指定されていない場合に実行するクロス検証の数。

検証データを提供するには validation_data を指定します。それ以外の場合は、n_cross_validations または validation_data_size を設定して、指定したトレーニング データから検証データを抽出します。 カスタムのクロス検証フォールドの場合は、cv_split_column_names を使用します。

詳細については、自動機械学習のデータ分割とクロス検証の構成に関する記事をご覧ください。

既定値は None です

cv_split_column_names
List[str]

カスタムのクロス検証分割が含まれる列の名前のリスト。 各 CV 分割列が 1 つの CV 分割を表します。このとき、各行は、トレーニングに 1、検証に 0 がマークされます。

既定値は None です

test_data
Input

テスト データセットまたはテスト データ分割を使用するモデル テスト機能は、プレビュー段階の機能であり、いつでも変更される可能性があります。 モデルのトレーニングが完了した後に自動的に開始されるテスト実行に使用するテスト データ。 テスト実行で、最適なモデルを使用して予測が得られ、これらの予測に基づいてメトリックが計算されます。

このパラメーターまたは test_data_size パラメーターを指定しない場合、モデルのトレーニングが完了した後に、テスト実行は自動的には実行されません。 テスト データに特徴量およびラベル列の両方を含める必要があります。 test_data を指定する場合は、target_column_name パラメーターを指定する必要があります。

既定値は None です

test_data_size
float

テスト データセットまたはテスト データ分割を使用するモデル テスト機能は、プレビュー段階の機能であり、いつでも変更される可能性があります。 モデルのトレーニングが完了した後に自動的に開始されるテスト実行のために、テスト データ用に保持するトレーニング データの割合。 テスト実行で、最適なモデルを使用して予測が得られ、これらの予測に基づいてメトリックが計算されます。

これは、0.0 から 1.0 の範囲内 (限界値は含まない) である必要があります。 test_data_size を validation_data_size と同時に指定した場合は、テスト データが training_data から分割された後、検証データが分割されます。 たとえば、validation_data_size=0.1 と test_data_size=0.1 を指定し、元のトレーニング データの行数が 1000 行の場合は、テスト データは 100 行になり、検証データに 90 行が含まれ、トレーニング データに 810 行が格納されることになります。

回帰ベースのタスクの場合は、ランダム サンプリングが使用されます。 分類タスクの場合は、層化サンプリングが使用されます。 現在、予測は、トレーニングとテストの分割を使ったテスト データセットの指定をサポートしていません。

このパラメーターまたは test_data パラメーターを指定しない場合、モデルのトレーニングが完了した後に、テスト実行は自動的には実行されません。

既定値は None です

forecasting_settings
ForecastingSettings

予測タスクの設定

戻り値

実行のために Azure ML コンピューティングに送信できるジョブ オブジェクト。

の戻り値の型 :

ForecastingJob

image_classification

AutoML Image の複数クラス分類ジョブのオブジェクトを作成します。

image_classification(*, training_data: Input, target_column_name: str, primary_metric: str | ClassificationPrimaryMetrics | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, **kwargs) -> ImageClassificationJob

パラメーター

training_data
Input

実験内で使用されるトレーニング データ。

target_column_name
str

ラベル列の名前。 このパラメーターは、training_data および validation_data パラメーターに適用できます。

primary_metric

モデルの選択のために、自動機械学習によって最適化されるメトリック。 自動機械学習によって、最適化できるよりも多くのメトリックが収集されます。 メトリックの計算方法の詳細については、https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric を参照してください。

許容される値: 精度、AUC_weighted、norm_macro_recall、average_precision_score_weighted、precision_score_weighted 精度の既定値。

validation_data
Input

実験内で使用される検証データ。

validation_data_size
float

ユーザー検証データを指定しない場合に、検証用に保持するデータの割合。 これは、0.0 から 1.0 の範囲内 (限界値は含まない) である必要があります。

検証データを提供する場合は を指定 validation_data します。それ以外の場合は、指定したトレーニング データから検証データを抽出するように設定 validation_data_size します。

既定値は .2 です

kwargs
dict

追加の構成パラメーターのディクショナリ。

戻り値

実行のために Azure ML コンピューティングに送信できる画像分類ジョブ オブジェクト。

の戻り値の型 :

ImageClassificationJob

image_classification_multilabel

AutoML Image の複数ラベル分類ジョブのオブジェクトを作成します。

image_classification_multilabel(*, training_data: Input, target_column_name: str, primary_metric: str | ClassificationMultilabelPrimaryMetrics | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, **kwargs) -> ImageClassificationMultilabelJob

パラメーター

training_data
Input

実験内で使用されるトレーニング データ。

target_column_name
str

ラベル列の名前。 このパラメーターは、training_data および validation_data パラメーターに適用できます。

primary_metric

モデルの選択のために、自動機械学習によって最適化されるメトリック。 自動機械学習によって、最適化できるよりも多くのメトリックが収集されます。 メトリックの計算方法の詳細については、https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric を参照してください。

許容される値: accuracy、AUC_weighted、norm_macro_recall、average_precision_score_weighted、precision_score_weighted、Iou Defaults to Iou。

validation_data
Input

実験内で使用される検証データ。

validation_data_size
float

ユーザー検証データを指定しない場合に、検証用に保持するデータの割合。 これは、0.0 から 1.0 の範囲内 (限界値は含まない) である必要があります。

検証データを提供する場合は を指定 validation_data します。それ以外の場合は、指定したトレーニング データから検証データを抽出するように設定 validation_data_size します。

既定値は .2 です

kwargs
dict

追加の構成パラメーターのディクショナリ。

戻り値

Azure ML コンピューティングに送信して実行できる複数ラベル分類ジョブ オブジェクトをイメージします。

の戻り値の型 :

ImageClassificationMultilabelJob

image_instance_segmentation

AutoML Image Instance のセグメント化ジョブのオブジェクトを作成します。

image_instance_segmentation(*, training_data: Input, target_column_name: str, primary_metric: str | InstanceSegmentationPrimaryMetrics | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, **kwargs) -> ImageInstanceSegmentationJob

パラメーター

training_data
Input

実験内で使用されるトレーニング データ。

target_column_name
str

ラベル列の名前。 このパラメーターは、training_data および validation_data パラメーターに適用できます。

primary_metric

モデルの選択のために、自動機械学習によって最適化されるメトリック。 自動機械学習によって、最適化できるよりも多くのメトリックが収集されます。 メトリックの計算方法の詳細については、https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric を参照してください。

許容される値: MeanAveragePrecision 既定値は MeanAveragePrecision です。

validation_data
Input

実験内で使用される検証データ。

validation_data_size
float

ユーザー検証データを指定しない場合に、検証用に保持するデータの割合。 これは、0.0 から 1.0 の範囲内 (限界値は含まない) である必要があります。

検証データを提供する場合は を指定 validation_data します。それ以外の場合は、指定したトレーニング データから検証データを抽出するように設定 validation_data_size します。

既定値は .2 です

kwargs
dict

追加の構成パラメーターのディクショナリ。

戻り値

イメージ インスタンスのセグメント化ジョブ

の戻り値の型 :

ImageInstanceSegmentationJob

image_object_detection

AutoML 画像オブジェクト検出ジョブのオブジェクトを作成します。

image_object_detection(*, training_data: Input, target_column_name: str, primary_metric: str | ObjectDetectionPrimaryMetrics | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, **kwargs) -> ImageObjectDetectionJob

パラメーター

training_data
Input

実験内で使用されるトレーニング データ。

target_column_name
str

ラベル列の名前。 このパラメーターは、training_data および validation_data パラメーターに適用できます。

primary_metric

モデルの選択のために、自動機械学習によって最適化されるメトリック。 自動機械学習によって、最適化できるよりも多くのメトリックが収集されます。 メトリックの計算方法の詳細については、https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric を参照してください。

許容される値: MeanAveragePrecision 既定値は MeanAveragePrecision です。

validation_data
Input

実験内で使用される検証データ。

validation_data_size
float

ユーザー検証データを指定しない場合に、検証用に保持するデータの割合。 これは、0.0 から 1.0 の範囲内 (限界値は含まない) である必要があります。

検証データを提供する場合は を指定 validation_data します。それ以外の場合は、指定したトレーニング データから検証データを抽出するように設定 validation_data_size します。

既定値は .2 です

kwargs
dict

追加の構成パラメーターのディクショナリ。

戻り値

Azure ML コンピューティングに送信して実行できる画像オブジェクト検出ジョブ オブジェクト。

の戻り値の型 :

ImageObjectDetectionJob

regression

回帰ジョブを作成する関数。

回帰ジョブは、データセットからターゲット変数の連続値を予測するモデルをトレーニングするために使用されます。 トレーニング データを使用して、さまざまなモデルがトレーニングされます。 プライマリ メトリックに基づく検証データで最適なパフォーマンスを持つモデルが、最終的なモデルとして選択されます。

regression(*, training_data: Input, target_column_name: str, primary_metric: str | None = None, enable_model_explainability: bool | None = None, weight_column_name: str | None = None, validation_data: Input | None = None, validation_data_size: float | None = None, n_cross_validations: str | int | None = None, cv_split_column_names: List[str] | None = None, test_data: Input | None = None, test_data_size: float | None = None, **kwargs) -> RegressionJob

パラメーター

training_data
Input

実験内で使用するトレーニング データ。 トレーニング特徴量およびラベル列 (必要に応じて、サンプルの重み列) の両方を含める必要があります。

target_column_name
str

ラベル列の名前。 このパラメーターは、、および test_data パラメーターにtraining_datavalidation_data適用できます

primary_metric

モデルの選択のために、自動機械学習によって最適化されるメトリック。 自動機械学習によって、最適化できるよりも多くのメトリックが収集されます。 メトリックの計算方法の詳細については、https://docs.microsoft.com/azure/machine-learning/how-to-configure-auto-train#primary-metric を参照してください。

許容値: spearman_correlation、r2_score、normalized_mean_absolute_error、normalized_root_mean_squared_error。 既定値は normalized_root_mean_squared_error

enable_model_explainability
bool

すべての AutoML トレーニング反復の最後に、最適な AutoML モデルを説明できるかどうか。 既定値は None です。 詳細については、「解釈可能性: 自動 ML でのモデル説明」を参照してください。

weight_column_name
str

サンプルの重み列の名前。 自動 ML では、入力として重み付け列がサポートされているため、データ内の行が重み付けされます。 入力データが列名を持たない pandas.DataFrame の場合、代わりに列のインデックスを使用して、整数で表すことができます。

このパラメーターは、 パラメーターと validation_data パラメーターにtraining_data適用できます

validation_data
Input

実験内で使用する検証データ。 トレーニング特徴量およびラベル列 (必要に応じて、サンプルの重み列) の両方を含める必要があります。

既定値は None です

validation_data_size
float

ユーザー検証データを指定しない場合に、検証用に保持するデータの割合。 これは、0.0 から 1.0 の範囲内 (限界値は含まない) である必要があります。

検証データを提供するには validation_data を指定します。それ以外の場合は、n_cross_validations または validation_data_size を設定して、指定したトレーニング データから検証データを抽出します。 カスタムのクロス検証フォールドの場合は、cv_split_column_names を使用します。

詳細については、自動機械学習のデータ分割とクロス検証の構成に関する記事をご覧ください。

既定値は None です

n_cross_validations
Union[str, int]

ユーザー検証データが指定されていない場合に実行するクロス検証の数。

検証データを提供するには validation_data を指定します。それ以外の場合は、n_cross_validations または validation_data_size を設定して、指定したトレーニング データから検証データを抽出します。 カスタムのクロス検証フォールドの場合は、cv_split_column_names を使用します。

詳細については、自動機械学習のデータ分割とクロス検証の構成に関する記事をご覧ください。

既定値は None です

cv_split_column_names
List[str]

カスタムのクロス検証分割が含まれる列の名前のリスト。 各 CV 分割列が 1 つの CV 分割を表します。このとき、各行は、トレーニングに 1、検証に 0 がマークされます。

既定値は None です

test_data
Input

テスト データセットまたはテスト データ分割を使用するモデル テスト機能は、プレビュー段階の機能であり、いつでも変更される可能性があります。 モデルのトレーニングが完了した後に自動的に開始されるテスト実行に使用するテスト データ。 テスト実行で、最適なモデルを使用して予測が得られ、これらの予測に基づいてメトリックが計算されます。

このパラメーターまたは test_data_size パラメーターを指定しない場合、モデルのトレーニングが完了した後に、テスト実行は自動的には実行されません。 テスト データに特徴量およびラベル列の両方を含める必要があります。 test_data を指定する場合は、target_column_name パラメーターを指定する必要があります。

既定値は None です

test_data_size
float

テスト データセットまたはテスト データ分割を使用するモデル テスト機能は、プレビュー段階の機能であり、いつでも変更される可能性があります。 モデルのトレーニングが完了した後に自動的に開始されるテスト実行のために、テスト データ用に保持するトレーニング データの割合。 テスト実行で、最適なモデルを使用して予測が得られ、これらの予測に基づいてメトリックが計算されます。

これは、0.0 から 1.0 の範囲内 (限界値は含まない) である必要があります。 test_data_size を validation_data_size と同時に指定した場合は、テスト データが training_data から分割された後、検証データが分割されます。 たとえば、validation_data_size=0.1 と test_data_size=0.1 を指定し、元のトレーニング データの行数が 1000 行の場合は、テスト データは 100 行になり、検証データに 90 行が含まれ、トレーニング データに 810 行が格納されることになります。

回帰ベースのタスクの場合は、ランダム サンプリングが使用されます。 分類タスクの場合は、層化サンプリングが使用されます。 現在、予測は、トレーニングとテストの分割を使ったテスト データセットの指定をサポートしていません。

このパラメーターまたは test_data パラメーターを指定しない場合、モデルのトレーニングが完了した後に、テスト実行は自動的には実行されません。

既定値は None です

戻り値

実行のために Azure ML コンピューティングに送信できるジョブ オブジェクト。

の戻り値の型 :

RegressionJob

text_classification

TextClassificationJob を作成する関数。

テキスト分類ジョブは、テキスト データのクラス/カテゴリを予測できるモデルをトレーニングするために使用されます。 入力トレーニング データには、テキストを 1 つのクラスに分類するターゲット列を含める必要があります。

text_classification(*, training_data: Input, target_column_name: str, validation_data: Input, primary_metric: str | None = None, log_verbosity: str | None = None, **kwargs) -> TextClassificationJob

パラメーター

training_data
Input

実験内で使用されるトレーニング データ。 これには、トレーニング機能とターゲット列の両方が含まれている必要があります。

target_column_name
str

ターゲット列の名前。

validation_data
Input

実験内で使用される検証データ。 これには、トレーニング機能とターゲット列の両方が含まれている必要があります。

primary_metric
Union[str, ClassificationPrimaryMetrics]

タスクのプライマリ メトリック。 許容される値: 精度、AUC_weighted、precision_score_weighted

log_verbosity
str

ログの詳細レベル。

kwargs
dict

追加の構成パラメーターのディクショナリ。

戻り値

TextClassificationJob オブジェクト。

の戻り値の型 :

TextClassificationJob

text_classification_multilabel

TextClassificationMultilabelJob を作成する関数。

テキスト分類マルチラベル ジョブは、テキスト データのクラス/カテゴリを予測できるモデルをトレーニングするために使用されます。 入力トレーニング データには、テキストを class(es) に分類するターゲット列を含める必要があります。 マルチラベル データの形式の詳細については、次を参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-nlp-models#multi-label

text_classification_multilabel(*, training_data: Input, target_column_name: str, validation_data: Input, primary_metric: str | None = None, log_verbosity: str | None = None, **kwargs) -> TextClassificationMultilabelJob

パラメーター

training_data
Input

実験内で使用されるトレーニング データ。 これには、トレーニング機能とターゲット列の両方が含まれている必要があります。

target_column_name
str

ターゲット列の名前。

validation_data
Input

実験内で使用される検証データ。 これには、トレーニング機能とターゲット列の両方が含まれている必要があります。

primary_metric
str

タスクのプライマリ メトリック。 許容される値: 精度

log_verbosity
str

ログの詳細レベル。

kwargs
dict

追加の構成パラメーターのディクショナリ。

戻り値

TextClassificationMultilabelJob オブジェクト。

の戻り値の型 :

TextClassificationMultilabelJob

text_ner

TextNerJob を作成する関数。

エンティティ認識ジョブという名前のテキストは、テキスト内の名前付きエンティティを予測できるモデルをトレーニングするために使用されます。 入力トレーニング データは、CoNLL 形式のテキスト ファイルである必要があります。 テキスト NER データの形式の詳細については、以下を参照してください。 https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-nlp-models#named-entity-recognition-ner

text_ner(*, training_data: Input, validation_data: Input, primary_metric: str | None = None, log_verbosity: str | None = None, **kwargs) -> TextNerJob

パラメーター

training_data
Input

実験内で使用されるトレーニング データ。 これには、トレーニング機能とターゲット列の両方が含まれている必要があります。

validation_data
Input

実験内で使用される検証データ。 これには、トレーニング機能とターゲット列の両方が含まれている必要があります。

primary_metric
str

タスクのプライマリ メトリック。 許容される値: 精度

log_verbosity
str

ログの詳細レベル。

kwargs
dict

追加の構成パラメーターのディクショナリ。

戻り値

TextNerJob オブジェクト。

の戻り値の型 :

TextNerJob