WEBVTT

00:00:02.810 --> 00:00:07.075
>> Hola a todos. Ahora
vamos a ver cómo podemos

00:00:07.075 --> 00:00:11.345
crear una máquina automatizada
objeto de configuración de aprendizaje.

00:00:11.345 --> 00:00:16.150
La clase AutoMLConfig representa
una configuración para

00:00:16.150 --> 00:00:17.920
presentar un
aprendizaje automático

00:00:17.920 --> 00:00:20.665
experimento en Azure Machine Learning.

00:00:20.665 --> 00:00:24.460
Este es un objeto de configuración
que contiene y procede que

00:00:24.460 --> 00:00:28.240
los parámetros para definir
el experimento para ejecutar,

00:00:28.240 --> 00:00:30.370
así como los datos de formación que son

00:00:30.370 --> 00:00:32.840
se va a utilizar en el tiempo de ejecución.

00:00:32.840 --> 00:00:34.995
Como pueden ver en esta tabla,

00:00:34.995 --> 00:00:37.630
aquí puede definir los ajustes y

00:00:37.630 --> 00:00:41.140
los datos que van a ser
solía ejecutar sus experimentos.

00:00:41.140 --> 00:00:42.760
Así que en términos de propiedades,

00:00:42.760 --> 00:00:44.650
comencemos con la tarea.

00:00:44.650 --> 00:00:47.030
En este caso,
seleccionó la previsión

00:00:47.030 --> 00:00:49.520
porque estamos en un tiempo
escenario de previsión de series.

00:00:49.520 --> 00:00:52.685
Pero también puede seleccionar la
clasificación o regresión

00:00:52.685 --> 00:00:56.420
dependiendo de su
escenario de ciencia de datos.

00:00:56.420 --> 00:01:00.500
Entonces usted tiene un múltiple primario
métricas que puede seleccionar,

00:01:00.500 --> 00:01:03.615
esta es la métrica que
querías optimizar.

00:01:03.615 --> 00:01:05.610
En términos de un modelo de lista negra,

00:01:05.610 --> 00:01:07.380
así que hay muchos modelos diferentes,

00:01:07.380 --> 00:01:08.870
por lo que, por supuesto, probablemente

00:01:08.870 --> 00:01:10.610
no quiero correr porque sabes

00:01:10.610 --> 00:01:12.380
que no son muy

00:01:12.380 --> 00:01:14.660
bueno con su específico
escenario de ciencia de datos,

00:01:14.660 --> 00:01:16.220
para que puedas ponerlos en la lista negra,

00:01:16.220 --> 00:01:21.290
para que el AutoML no va
para usarlos para cualquier carrera.

00:01:21.290 --> 00:01:24.845
Además, hay
muchas otras propiedades

00:01:24.845 --> 00:01:26.705
que se puede aprovechar de AutoML,

00:01:26.705 --> 00:01:29.315
como el experimental
horas de tiempo de espera,

00:01:29.315 --> 00:01:33.425
datos de formación, la columna de etiquetas
nombre, el objetivo de la computadora,

00:01:33.425 --> 00:01:36.290
el número de validaciones cruzadas,

00:01:36.290 --> 00:01:38.719
también puede habilitar la detención temprana.

00:01:38.719 --> 00:01:41.480
Si la parada temprana es en la capacitación

00:01:41.480 --> 00:01:45.094
detenerse cuando la métrica primaria
ya no está mejorando.

00:01:45.094 --> 00:01:48.960
A continuación, puede seleccionar
el nombre de la columna de tiempo,

00:01:48.960 --> 00:01:51.830
esta es una serie temporal
escenario de previsión,

00:01:51.830 --> 00:01:55.400
así que tienes que seleccionar
el nombre de la columna de tiempo,

00:01:55.400 --> 00:01:58.315
horizonte máximo, país o región,

00:01:58.315 --> 00:02:00.440
los objetivos se retrasan y, finalmente,

00:02:00.440 --> 00:02:02.500
también puede soltar nombres de columna,

00:02:02.500 --> 00:02:05.210
estas son columnas que
no quieres

00:02:05.210 --> 00:02:09.300
incluir en estas ejecución específicas de AutoML.