ForecastingJob Klas
Configuratie voor AutoML-prognosetaak.
Initialiseer een nieuwe AutoML-prognosetaak.
- Overname
-
azure.ai.ml.entities._job.automl.tabular.automl_tabular.AutoMLTabularForecastingJob
Constructor
ForecastingJob(*, primary_metric: str | None = None, forecasting_settings: ForecastingSettings | None = None, **kwargs)Parameters
Het primaire metrische gegeven dat moet worden gebruikt voor modelselectie.
Methoden
| dump |
Dumpt de taakinhoud in een bestand in YAML-indeling. |
| set_data |
Gegevensconfiguratie definiëren. |
| set_featurization |
Configuratie van functie-engineering definiëren. |
| set_forecast_settings |
Parameters beheren die worden gebruikt voor het voorspellen van taken. |
| set_limits |
Stel limieten in voor de taak. |
| set_training |
De methode voor het configureren van instellingen voor prognosetraining. |
dump
Dumpt de taakinhoud in een bestand in YAML-indeling.
dump(dest: str | PathLike | IO, **kwargs) -> NoneParameters
Het lokale pad of de bestandsstroom waar de YAML-inhoud naar moet worden geschreven. Als dest een bestandspad is, wordt er een nieuw bestand gemaakt. Als dest een geopend bestand is, wordt het bestand rechtstreeks naar geschreven.
- kwargs
- dict
Aanvullende argumenten die moeten worden doorgegeven aan de YAML-serializer.
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
set_data
Gegevensconfiguratie definiëren.
set_data(*, training_data: Input, target_column_name: str, 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) -> NoneParameters
- training_data
- Input
Trainingsgegevens.
- target_column_name
- str
Kolomnaam van de doelkolom.
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
set_featurization
Configuratie van functie-engineering definiëren.
set_featurization(*, blocked_transformers: List[BlockedTransformers | str] | None = None, column_name_and_types: Dict[str, str] | None = None, dataset_language: str | None = None, transformer_params: Dict[str, List[ColumnTransformer]] | None = None, mode: str | None = None, enable_dnn_featurization: bool | None = None) -> NoneParameters
- blocked_transformers
- Optional[List[Union[BlockedTransformers, str]]]
Een lijst met namen van transformatoren die tijdens de featurisatie moeten worden geblokkeerd, wordt standaard ingesteld op Geen
Een woordenlijst met kolomnamen en functietypen die worden gebruikt voor het bijwerken van het kolomdoel , wordt standaard ingesteld op Geen
ISO 639-3-code van drie tekens voor de taal(en) in de gegevensset. Andere talen dan Engels worden alleen ondersteund als u rekenkracht met GPU gebruikt. De language_code 'mul' moet worden gebruikt als de gegevensset meerdere talen bevat. Als u ISO 639-3-codes voor verschillende talen wilt vinden, raadpleegt https://en.wikipedia.org/wiki/List_of_ISO_639-3_codesu , standaard ingesteld op Geen
- transformer_params
- Optional[Dict[str, List[ColumnTransformer]]]
Een woordenlijst van transformator en bijbehorende aanpassingsparameters , wordt standaard ingesteld op Geen
Of op DNN gebaseerde functie-engineeringmethoden moeten worden opgenomen, wordt standaard ingesteld op Geen
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
set_forecast_settings
Parameters beheren die worden gebruikt voor het voorspellen van taken.
set_forecast_settings(*, time_column_name: str | None = None, forecast_horizon: str | int | None = None, time_series_id_column_names: str | List[str] | None = None, target_lags: str | int | List[int] | None = None, feature_lags: str | None = None, target_rolling_window_size: str | int | None = None, country_or_region_for_holidays: str | None = None, use_stl: str | None = None, seasonality: str | int | None = None, short_series_handling_config: str | None = None, frequency: str | None = None, target_aggregate_function: str | None = None, cv_step_size: int | None = None, features_unknown_at_forecast_time: str | List[str] | None = None) -> NoneParameters
De naam van de tijdkolom. Deze parameter is vereist bij het voorspellen van de datum/tijd-kolom in de invoergegevens die worden gebruikt voor het samenstellen van de tijdreeks en het afleiden van de frequentie.
- forecast_horizon
De gewenste maximale prognoseperiode in eenheden van de tijdreeksfrequentie. De standaardwaarde is 1.
Eenheden zijn gebaseerd op het tijdsinterval van uw trainingsgegevens, bijvoorbeeld maandelijks, wekelijks dat de prognosefunctie moet voorspellen. Wanneer het taaktype een prognose is, is deze parameter vereist. Zie Een tijdreeksprognosemodel automatisch trainen voor meer informatie over het instellen van prognoseparameters.
De namen van kolommen die worden gebruikt voor het groepeeren van een tijdreeks. Het kan worden gebruikt om meerdere reeksen te maken. Als de kolomnamen voor tijdreeks-id's niet zijn gedefinieerd of als de opgegeven id-kolommen niet alle reeksen in de gegevensset identificeren, worden de tijdreeks-id's automatisch gemaakt voor uw gegevensset.
- target_lags
Het aantal eerdere perioden dat uit de doelkolom moet worden achtergelopen. De vertragingen zijn standaard uitgeschakeld.
Bij het voorspellen vertegenwoordigt deze parameter het aantal rijen om de doelwaarden achter te laten op basis van de frequentie van de gegevens. Dit wordt weergegeven als een lijst of één geheel getal. Vertraging moet worden gebruikt wanneer de relatie tussen de onafhankelijke variabelen en de afhankelijke variabele niet standaard overeenkomt of correleert. Wanneer u bijvoorbeeld de vraag voor een product probeert te voorspellen, kan de vraag in een maand afhankelijk zijn van de prijs van specifieke goederen 3 maanden ervoor. In dit voorbeeld wilt u het doel (de vraag) mogelijk 3 maanden negatief laten liggen, zodat het model wordt getraind op de juiste relatie. Zie Een tijdreeksprognosemodel automatisch trainen voor meer informatie.
Opmerking over automatische detectie van doelvertragingen en de grootte van doorlopende vensters. Zie de bijbehorende opmerkingen in de sectie Voortschrijdend venster. We gebruiken het volgende algoritme om de optimale doelvertraging en de grootte van het doorlopende venster te detecteren.
Maak een schatting van de maximale vertragingsvolgorde voor de functieselectie voor terugkijken. In ons geval is het het aantal perioden tot de volgende datumfrequentiegranulariteit, d.w.w. als frequentie dagelijks is, is het een week (7), als het een week is, is het maand (4). Deze waarden vermenigvuldigd met twee zijn de grootst mogelijke waarden van vertragings-/doorlopende vensters. In onze voorbeelden houden we rekening met de maximale vertragingsvolgorde van respectievelijk 14 en 8).
Maak een niet-seizoensgebonden reeks door trend- en restonderdelen toe te voegen. Dit wordt gebruikt in de volgende stap.
Schat de PACF - Gedeeltelijke automatische correlatiefunctie op de op de gegevens van (2) en zoek naar punten, waarbij de automatische correlatie significant is, d.w.z. de absolute waarde is meer dan 1,96/square_root (maximale vertragingswaarde), wat overeenkomt met de significantie van 95%.
Als alle punten belangrijk zijn, beschouwen we dit als een sterke seizoensgebondenheid en maken we geen terugblikfuncties.
We scannen de PACF-waarden vanaf het begin en de waarde voordat de eerste onbeduidende automatische correlatie de vertraging aangeeft. Als het eerste significante element (waarde correleert met zichzelf) wordt gevolgd door onbeduidend, is de vertraging 0 en gebruiken we geen functies om terug te kijken.
Vlag voor het genereren van vertragingen voor de numerieke functies met 'auto' of Geen.
Het aantal afgelopen perioden dat is gebruikt om een voortschrijdend venster van de doelkolom te maken.
Bij het voorspellen vertegenwoordigt deze parameter n historische perioden die moeten worden gebruikt om voorspelde waarden te genereren, <= grootte van trainingsset. Als u dit weglaat, is n de volledige grootte van de trainingsset. Geef deze parameter op als u alleen rekening wilt houden met een bepaalde hoeveelheid geschiedenis bij het trainen van het model. Als dit is ingesteld op 'auto', wordt rolling window geschat als de laatste waarde waarbij de PACF meer is dan de significantiedrempelwaarde. Zie target_lags sectie voor meer informatie.
Het land/de regio die wordt gebruikt om vakantiefuncties te genereren. Dit moeten ISO 3166 land-/regiocodes van twee letters zijn, bijvoorbeeld 'US' of 'GB'.
- use_stl
STL-ontleding van de doelkolom van de tijdreeks configureren. use_stl kunnen drie waarden aannemen: Geen (standaard) - geen stl-decompositie, 'season' - alleen seizoencomponent genereren en season_trend - zowel seizoens- als trendcomponenten genereren.
Stel de seizoensgebondenheid van tijdreeksen in als een geheel getal van de reeksfrequentie. Als seizoensgebondenheid is ingesteld op 'auto', wordt dit afgeleid. Als deze optie is ingesteld op Geen, wordt uitgegaan van niet-seizoensgebonden, wat gelijk is aan seizoensgebondenheid=1.
- short_series_handling_config
De parameter die definieert hoe autoML korte tijdreeksen moet verwerken.
Mogelijke waarden: 'auto' (standaard), 'pad', 'drop' en None.
- automatische korte reeksen worden opgevuld als er geen lange reeksen zijn,
Anders worden korte reeksen verwijderd.
- alle korte reeksen worden opgevuld.
- alle korte reeksen worden verwijderd'.
- Geen de korte reeks wordt niet gewijzigd.
Als dit is ingesteld op 'pad', wordt de tabel opgevuld met de nullen en lege waarden voor de regressors en willekeurige waarden voor het doel met het gemiddelde gelijk aan de doelwaarde mediaan voor de opgegeven tijdreeks-id. Als de mediaan meer of gelijk is aan nul, wordt de minimale opgevulde waarde bijgeknipt met nul: Invoer:
Datum
numeric_value
Tekenreeks
Doel
2020-01-01
23
groen
55
De uitvoer ervan uitgaande dat het minimale aantal waarden vier is:
Datum
numeric_value
Tekenreeks
Doel
2019-12-29
0
NA
55.1
2019-12-30
0
NA
55.6
2019-12-31
0
NA
54.5
2020-01-01
23
groen
55
Opmerking: We hebben twee parameters short_series_handling_configuration en verouderde short_series_handling. Wanneer beide parameters zijn ingesteld, worden ze gesynchroniseerd zoals wordt weergegeven in de onderstaande tabel (short_series_handling_configuration en short_series_handling zijn gemarkeerd als respectievelijk handling_configuration en verwerking).
Behandeling
afhandeling van configuratie
resulterende handling
resulterendehandlingconfiguratie
Waar
auto
Waar
auto
Waar
pad
Waar
auto
Waar
drop
Waar
auto
Waar
Geen
Niet waar
Geen
False
auto
Niet waar
Geen
False
pad
False
Geen
False
drop
False
Geen
False
Geen
False
Geen
- frequency
Frequentie voorspellen.
Bij het maken van prognoses geeft deze parameter de periode aan waarmee de prognose wordt gewenst, bijvoorbeeld dagelijks, wekelijks, jaarlijks, enzovoort. De prognosefrequentie is standaard de frequentie van de gegevensset. U kunt deze desgewenst instellen op een hogere (maar niet minder) dan de frequentie van de gegevensset. We aggregeren de gegevens en genereren de resultaten met de prognosefrequentie. Voor dagelijkse gegevens kunt u bijvoorbeeld instellen dat de frequentie dagelijks, wekelijks of maandelijks is, maar niet per uur. De frequentie moet een pandas-offsetalias zijn. Raadpleeg de pandas-documentatie voor meer informatie: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#dateoffset-objects
- target_aggregate_function
De functie die moet worden gebruikt om de tijdreeksdoelkolom te aggregeren om te voldoen aan een door de gebruiker opgegeven frequentie. Als de target_aggregation_function is ingesteld, maar de freq-parameter niet is ingesteld, treedt de fout op. De mogelijke doelaggregatiefuncties zijn: 'som', 'max', 'min' en 'gemiddelde'.
De waarden van de doelkolom worden geaggregeerd op basis van de opgegeven bewerking. Normaal gesproken is som geschikt voor de meeste scenario's.
Numerieke voorspellende kolommen in uw gegevens worden geaggregeerd op som, gemiddelde, minimumwaarde en maximumwaarde. Als gevolg hiervan genereert geautomatiseerde ML nieuwe kolommen met achtervoegsel met de naam van de aggregatiefunctie en wordt de geselecteerde aggregatiebewerking toegepast.
Voor categorische voorspellende kolommen worden de gegevens geaggregeerd per modus, de meest prominente categorie in het venster.
Datum voorspellende kolommen worden geaggregeerd op basis van minimumwaarde, maximumwaarde en modus.
Freq
target_aggregation_function
Mechanisme voor gegevens regularityfixing
Geen (standaard)
Geen (standaard)
De aggregatie wordt niet toegepast. Als de geldige frequentie niet kan worden bepaald, wordt de fout gegenereerd.
Bepaalde waarde
Geen (standaard)
De aggregatie wordt niet toegepast. Als het aantal gegevenspunten dat aan het frequentieraster voldoet, niet overeenkomt, worden deze punten voor 90% verplaatst, anders treedt de fout op.
Geen (standaard)
Aggregatiefunctie
De fout over demissingfrequencyparameter israaliseerd.
Bepaalde waarde
Aggregatiefunctie
Tofrequency aggregeren met behulp van de functieprovidedaggregation.
Aantal perioden tussen de origin_time van de ene CV-vouw en de volgende. Als bijvoorbeeld n_step = 3 voor dagelijkse gegevens, is de oorsprongstijd voor elke vouw drie dagen uit elkaar.
De functiekolommen die beschikbaar zijn voor training, maar onbekend zijn op het moment van prognose/deductie. Als features_unknown_at_forecast_time is ingesteld op een lege lijst, wordt ervan uitgegaan dat alle functiekolommen in de gegevensset bekend zijn op het moment van deductie. Als deze parameter niet is ingesteld, is de ondersteuning voor toekomstige functies niet ingeschakeld.
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
set_limits
Stel limieten in voor de taak.
set_limits(*, enable_early_termination: bool | None = None, exit_score: float | None = None, max_concurrent_trials: int | None = None, max_cores_per_trial: int | None = None, max_nodes: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None, trial_timeout_minutes: int | None = None) -> NoneParameters
Of vroegtijdige beëindiging moet worden ingeschakeld als de score niet op korte termijn wordt verbeterd, wordt standaard ingesteld op Geen.
Logica voor vroeg stoppen:
Niet eerder stoppen voor de eerste 20 iteraties (oriëntatiepunten).
Het vroege stopvenster wordt gestart op de 21e iteratie en zoekt naar early_stopping_n_iters iteraties
(momenteel ingesteld op 10). Dit betekent dat de eerste iteratie waarbij stoppen kan plaatsvinden, de 31e is.
AutoML plant nog steeds 2 ensemble-iteraties NA een vroege stop, wat kan leiden tot hogere scores.
Vroegtijdig stoppen wordt geactiveerd als de absolute waarde van de berekende beste score hetzelfde is voor het verleden
early_stopping_n_iters iteraties, dus als er geen verbetering is in de score voor early_stopping_n_iters iteraties.
Doelscore voor experiment. Het experiment wordt beëindigd nadat deze score is bereikt. Als dit niet is opgegeven (geen criteria), wordt het experiment uitgevoerd totdat er geen verdere voortgang wordt gemaakt met het primaire metrische gegeven. Zie dit artikel voor meer informatie over afsluitcriteria , wordt standaard ingesteld op Geen
Dit is het maximum aantal iteraties dat parallel wordt uitgevoerd. De standaardwaarde is 1.
- AmlCompute-clusters ondersteunen één iteratie die per knooppunt wordt uitgevoerd.
Voor meerdere bovenliggende uitvoeringen van een AutoML-experiment die parallel worden uitgevoerd op één AmlCompute-cluster, moet de som van de max_concurrent_trials waarden voor alle experimenten kleiner zijn dan of gelijk zijn aan het maximum aantal knooppunten. Anders worden uitvoeringen in de wachtrij geplaatst totdat er knooppunten beschikbaar zijn.
- DSVM ondersteunt meerdere iteraties per knooppunt.
max_concurrent_trialsMoet
kleiner zijn dan of gelijk zijn aan het aantal kernen op de DSVM. Voor meerdere experimenten die parallel worden uitgevoerd op één DSVM, moet de som van de max_concurrent_trials waarden voor alle experimenten kleiner zijn dan of gelijk zijn aan het maximum aantal knooppunten.
- Databricks -
max_concurrent_trialsmoet kleiner zijn dan of gelijk zijn aan het aantal
werkknooppunten in Databricks.
max_concurrent_trials is niet van toepassing op lokale uitvoeringen. Voorheen heette concurrent_iterationsdeze parameter .
Het maximum aantal threads dat moet worden gebruikt voor een bepaalde trainingsiteratie. Acceptabele waarden:
Groter dan 1 en kleiner dan of gelijk aan het maximum aantal kernen op het rekendoel.
Gelijk aan -1, wat betekent dat alle mogelijke kernen per iteratie per onderliggende uitvoering moeten worden gebruikt.
Gelijk aan 1, de standaardwaarde.
[Experimenteel] Het maximum aantal knooppunten dat moet worden gebruikt voor gedistribueerde training.
Voor prognoses wordt elk model getraind met max(2, int(max_nodes/max_concurrent_trials)) knooppunten.
Voor classificatie/regressie wordt elk model getraind met behulp van max_nodes-knooppunten.
Opmerking: deze parameter bevindt zich in de openbare preview en kan in de toekomst worden gewijzigd.
Het totale aantal verschillende algoritme- en parametercombinaties dat moet worden getest tijdens een geautomatiseerd ML-experiment. Als dit niet is opgegeven, is de standaardwaarde 1000 iteraties.
Maximale tijdsduur in minuten dat de combinatie van alle iteraties voordat het experiment wordt beëindigd, kan duren. Als dit niet is opgegeven, is de standaardtime-out van het experiment 6 dagen. Als u een time-out van minder dan of gelijk aan 1 uur wilt opgeven, moet u ervoor zorgen dat de grootte van uw gegevensset niet groter is dan 10.000.000 (kolom met rijen tijden) of dat er een fout optreedt, wordt standaard ingesteld op Geen
Maximale tijd in minuten die elke iteratie kan uitvoeren voordat deze wordt beëindigd. Als dit niet is opgegeven, wordt een waarde van 1 maand of 43200 minuten gebruikt. De standaardwaarde is Geen
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
set_training
De methode voor het configureren van instellingen voor prognosetraining.
set_training(*, enable_onnx_compatible_models: bool | None = None, enable_dnn_training: bool | None = None, enable_model_explainability: bool | None = None, enable_stack_ensemble: bool | None = None, enable_vote_ensemble: bool | None = None, stack_ensemble_settings: StackEnsembleSettings | None = None, ensemble_model_download_timeout: int | None = None, allowed_training_algorithms: List[str] | None = None, blocked_training_algorithms: List[str] | None = None, training_mode: str | TrainingMode | None = None) -> NoneParameters
- enable_onnx_compatible_models
Of het afdwingen van de ONNX-compatibele modellen moet worden in- of uitgeschakeld. De standaardwaarde is False. Zie dit artikel voor meer informatie over Open Neural Network Exchange (ONNX) en Azure Machine Learning.
Of modellen op basis van DNN moeten worden opgenomen tijdens het selecteren van modellen. De standaardwaarde is echter True voor DNN NLP-taken en onwaar voor alle andere AutoML-taken.
- enable_model_explainability
Of u uitleg van het beste AutoML-model aan het einde van alle AutoML-trainingsiteraties wilt inschakelen. Zie Interpretability: model explanations in automated machine learning (Interpretability: model explanations in automated machine learning) voor meer informatie. , wordt standaard ingesteld op Geen
- enable_stack_ensemble
Hiermee wordt aangegeven of StackEnsemble-iteratie moet worden ingeschakeld of uitgeschakeld. Als enable_onnx_compatible_models vlag wordt ingesteld, wordt stackEnsemble-iteratie uitgeschakeld. Op dezelfde manier wordt voor Timeseries-taken StackEnsemble-iteratie standaard uitgeschakeld om risico's van overfitting te voorkomen vanwege een kleine trainingsset die wordt gebruikt bij het aanpassen van de meta-learner. Zie Ensembleconfiguratie , standaard ingesteld op Geen voor meer informatie over ensembles .
- enable_vote_ensemble
Of u VotingEnsemble-iteratie wilt in- of uitschakelen. Zie Ensembleconfiguratie , standaard ingesteld op Geen voor meer informatie over ensembles .
- stack_ensemble_settings
- Optional[StackEnsembleSettings]
Instellingen voor StackEnsemble-iteratie, standaard ingesteld op Geen
Tijdens het genereren van votingEnsemble- en StackEnsemble-modellen worden meerdere aangepaste modellen uit de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is, wordt standaard geen
Een lijst met modelnamen om naar een experiment te zoeken. Als dit niet is opgegeven, worden alle modellen die voor de taak worden ondersteund, gebruikt minus opgegeven of blocked_training_algorithms afgeschafte TensorFlow-modellen, standaard ingesteld op Geen
Een lijst met algoritmen die moeten worden genegeerd voor een experiment, wordt standaard ingesteld op Geen
- training_mode
[Experimenteel] De trainingsmodus die moet worden gebruikt. De mogelijke waarden zijn:
gedistribueerd: maakt gedistribueerde training mogelijk voor ondersteunde algoritmen.
non_distributed: hiermee schakelt u gedistribueerde training uit.
auto: dit is momenteel hetzelfde als non_distributed. In de toekomst kan dit veranderen.
Opmerking: deze parameter is in openbare preview en kan in de toekomst worden gewijzigd.
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
Kenmerken
base_path
creation_context
De context voor het maken van de resource.
Retouren
De metagegevens voor het maken van de resource.
Retourtype
featurization
Haal de tabellaire featurisatie-instellingen voor de AutoML-taak op.
Retouren
Tabellaire featurisatie-instellingen voor de AutoML-taak
Retourtype
forecasting_settings
Retourneer de prognose-instellingen.
Retouren
instellingen voor prognose.
Retourtype
id
De resource-id.
Retouren
De globale id van de resource, een ARM-id (Azure Resource Manager).
Retourtype
inputs
limits
Haal de tabellaire limieten voor de AutoML-taak op.
Retouren
Tabellaire limieten voor de AutoML-taak
Retourtype
log_files
Taakuitvoerbestanden.
Retouren
De woordenlijst met logboeknamen en URL's.
Retourtype
log_verbosity
Haal de uitgebreidheid van het logboek voor de AutoML-taak op.
Retouren
uitgebreidheid van logboeken voor de AutoML-taak
Retourtype
outputs
primary_metric
Retourneert de primaire metrische waarde die moet worden gebruikt voor modelselectie.
Retouren
De primaire metrische waarde voor modelselectie.
Retourtype
status
De status van de taak.
Veelvoorkomende waarden die worden geretourneerd, zijn 'Wordt uitgevoerd', 'Voltooid' en 'Mislukt'. Alle mogelijke waarden zijn:
NotStarted : dit is een tijdelijke status waarin Run-objecten aan de clientzijde zich bevinden voordat ze in de cloud worden verzonden.
Starten: de uitvoering wordt verwerkt in de cloud. De aanroeper heeft op dit moment een uitvoerings-id.
Inrichten: er wordt rekenproces op aanvraag gemaakt voor een bepaalde taakverzending.
Voorbereiden: de uitvoeringsomgeving wordt voorbereid en bevindt zich in een van de volgende twee fasen:
Docker-installatiekopieën bouwen
conda-omgeving instellen
In wachtrij: de taak wordt in de wachtrij geplaatst op het rekendoel. In BatchAI bevindt de taak zich bijvoorbeeld in een wachtrijstatus
terwijl u wacht tot alle aangevraagde knooppunten gereed zijn.
Uitvoeren: de taak wordt uitgevoerd op het rekendoel.
Voltooien: de uitvoering van de gebruikerscode is voltooid en de uitvoering bevindt zich in de naverwerkingsfasen.
CancelRequested - Annulering is aangevraagd voor de taak.
Voltooid: de uitvoering is voltooid. Dit omvat zowel de uitvoering van de gebruikerscode als de uitvoering
naverwerkingsfasen.
Mislukt: de uitvoering is mislukt. Meestal geeft de eigenschap Error bij een uitvoering details over waarom.
Geannuleerd: volgt een annuleringsaanvraag en geeft aan dat de uitvoering nu is geannuleerd.
Niet reagerend: voor uitvoeringen waarvoor Heartbeats is ingeschakeld, is er onlangs geen heartbeat verzonden.
Retouren
Status van de taak.
Retourtype
studio_url
task_type
Taaktype ophalen.
Retouren
Het type taak dat moet worden uitgevoerd. Mogelijke waarden zijn: 'classificatie', 'regressie', 'prognoses'.
Retourtype
test_data
training
Retourneer de trainingsinstellingen voor prognose.
Retouren
trainingsinstellingen.
Retourtype
training_data
type
validation_data
Azure SDK for Python