WEBVTT

00:00:02.810 --> 00:00:07.075
>> Hallo jeder. jetzt
mal sehen, wie wir

00:00:07.075 --> 00:00:11.345
erstellen Sie eine automatisierte Maschine
Lernkonfigurationsobjekt.

00:00:11.345 --> 00:00:16.150
AutoMLConfig-Klasse steht für
eine Konfiguration für

00:00:16.150 --> 00:00:17.920
Einreichen eines automatisierten
maschinelles Lernen

00:00:17.920 --> 00:00:20.665
Experiment in Azure Machine Learning.

00:00:20.665 --> 00:00:24.460
Dies ist ein Konfigurationsobjekt
enthält und geht vor, dass

00:00:24.460 --> 00:00:28.240
die Parameter für die Definition
das zu laufende Experiment,

00:00:28.240 --> 00:00:30.370
sowie die Trainingsdaten, die

00:00:30.370 --> 00:00:32.840
zur Laufzeit verwendet werden.

00:00:32.840 --> 00:00:34.995
Wie Sie aus dieser Tabelle sehen können,

00:00:34.995 --> 00:00:37.630
hier können Sie die Einstellungen und

00:00:37.630 --> 00:00:41.140
die Daten, die
verwendet, um Ihre Experimente auszuführen.

00:00:41.140 --> 00:00:42.760
In Bezug auf die Eigenschaften,

00:00:42.760 --> 00:00:44.650
Beginnen wir mit der Aufgabe.

00:00:44.650 --> 00:00:47.030
In diesem Fall
die Prognose ausgewählt

00:00:47.030 --> 00:00:49.520
weil wir uns in einer Zeit befinden
Prognoseszenario für Reihen.

00:00:49.520 --> 00:00:52.685
Sie können aber auch die
Klassifizierung oder Regression

00:00:52.685 --> 00:00:56.420
abhängig von Ihrem spezifischen
Data Science-Szenario.

00:00:56.420 --> 00:01:00.500
Dann haben Sie mehrere primäre
Metriken, die Sie auswählen können,

00:01:00.500 --> 00:01:03.615
Dies ist die Metrik, die
Sie optimieren wollten.

00:01:03.615 --> 00:01:05.610
In Bezug auf ein Blacklist-Modell

00:01:05.610 --> 00:01:07.380
so gibt es viele verschiedene Modelle,

00:01:07.380 --> 00:01:08.870
so dass Sie natürlich wahrscheinlich

00:01:08.870 --> 00:01:10.610
nicht laufen wollen, weil Sie wissen,

00:01:10.610 --> 00:01:12.380
dass sie nicht sehr

00:01:12.380 --> 00:01:14.660
gut mit Ihrem spezifischen
Data Science-Szenario,

00:01:14.660 --> 00:01:16.220
so können Sie sie auf eine schwarze Liste setzen,

00:01:16.220 --> 00:01:21.290
damit die AutoML nicht
, um sie für alle Durchläufe zu verwenden.

00:01:21.290 --> 00:01:24.845
Darüber hinaus gibt es
viele andere Eigenschaften

00:01:24.845 --> 00:01:26.705
die Sie von AutoML nutzen können,

00:01:26.705 --> 00:01:29.315
wie die experimentelle
Timeout-Stunden,

00:01:29.315 --> 00:01:33.425
Trainingsdaten, die Etikettenspalte
Name, das Computerziel,

00:01:33.425 --> 00:01:36.290
die Anzahl der Kreuzvalidierungen,

00:01:36.290 --> 00:01:38.719
Sie können auch ein frühes Beenden aktivieren.

00:01:38.719 --> 00:01:41.480
Wenn ein frühes Aufhören auf Training ist, wird

00:01:41.480 --> 00:01:45.094
beenden, wenn die primäre Metrik
verbessert sich nicht mehr.

00:01:45.094 --> 00:01:48.960
Dann können Sie
Ihren Zeitspaltennamen,

00:01:48.960 --> 00:01:51.830
Dies ist eine Zeitreihe
Prognoseszenario,

00:01:51.830 --> 00:01:55.400
Sie müssen also
Ihren Zeitspaltennamen,

00:01:55.400 --> 00:01:58.315
max Horizont, Land oder Region,

00:01:58.315 --> 00:02:00.440
Ziele hinken und schließlich,

00:02:00.440 --> 00:02:02.500
Sie können auch einen Spaltennamen löschen,

00:02:02.500 --> 00:02:05.210
Dies sind Spalten, die
Sie nicht wollen

00:02:05.210 --> 00:02:09.300
in diese spezifische AutoML-Ausführung einbeziehen.