WEBVTT

00:00:02.810 --> 00:00:07.075
>> Salut tout le monde. Maintenant
voyons comment nous pouvons

00:00:07.075 --> 00:00:11.345
créer une machine automatisée
objet de configuration d’apprentissage.

00:00:11.345 --> 00:00:16.150
La classe AutoMLConfig représente
une configuration pour

00:00:16.150 --> 00:00:17.920
soumettre un
apprentissage automatique

00:00:17.920 --> 00:00:20.665
expérience dans Azure Machine Learning.

00:00:20.665 --> 00:00:24.460
Il s’agit d’un objet de configuration
qui contient et procède que

00:00:24.460 --> 00:00:28.240
les paramètres de définition
l’expérience à exécuter,

00:00:28.240 --> 00:00:30.370
ainsi que les données de formation qui sont

00:00:30.370 --> 00:00:32.840
va être utilisé au moment de la course.

00:00:32.840 --> 00:00:34.995
Comme vous pouvez le voir sur cette table,

00:00:34.995 --> 00:00:37.630
ici vous pouvez définir les paramètres et

00:00:37.630 --> 00:00:41.140
les données qui vont être
utilisé pour exécuter vos expériences.

00:00:41.140 --> 00:00:42.760
Donc, en termes de propriétés,

00:00:42.760 --> 00:00:44.650
Commençons par la tâche.

00:00:44.650 --> 00:00:47.030
Dans ce cas, nous
sélectionné les prévisions

00:00:47.030 --> 00:00:49.520
parce que nous sommes dans un temps
scénario de prévision de série.

00:00:49.520 --> 00:00:52.685
Mais vous pouvez également sélectionner le
classification ou régression

00:00:52.685 --> 00:00:56.420
en fonction de votre spécificité
scénario de la science des données.

00:00:56.420 --> 00:01:00.500
Ensuite, vous avez un multiple primaire
métriques que vous pouvez sélectionner,

00:01:00.500 --> 00:01:03.615
c’est la mesure qui
vous vouliez optimiser.

00:01:03.615 --> 00:01:05.610
En ce qui concerne un modèle de liste noire,

00:01:05.610 --> 00:01:07.380
il existe donc de nombreux modèles différents,

00:01:07.380 --> 00:01:08.870
de sorte que bien sûr vous probablement vous

00:01:08.870 --> 00:01:10.610
ne veulent pas courir parce que vous savez

00:01:10.610 --> 00:01:12.380
qu’ils ne sont pas très

00:01:12.380 --> 00:01:14.660
bon avec votre spécifique
scénario de science des données,

00:01:14.660 --> 00:01:16.220
pour que vous puissiez les mettre sur liste noire,

00:01:16.220 --> 00:01:21.290
de sorte que l’AutoML ne va pas
pour les utiliser pour toutes les courses.

00:01:21.290 --> 00:01:24.845
En outre, il existe
beaucoup d’autres propriétés

00:01:24.845 --> 00:01:26.705
que vous pouvez tirer parti d’AutoML,

00:01:26.705 --> 00:01:29.315
tels que l’expérimental
heures d’expiration,

00:01:29.315 --> 00:01:33.425
données de formation, la colonne d’étiquette
nom, la cible de l’ordinateur,

00:01:33.425 --> 00:01:36.290
le nombre de validations croisées,

00:01:36.290 --> 00:01:38.719
vous pouvez également activer l’arrêt anticipé.

00:01:38.719 --> 00:01:41.480
Si l’arrêt précoce est sur la formation sera

00:01:41.480 --> 00:01:45.094
s’arrêter lorsque la métrique primaire
ne s’améliore plus.

00:01:45.094 --> 00:01:48.960
Ensuite, vous pouvez sélectionner
votre nom de colonne d’heure,

00:01:48.960 --> 00:01:51.830
il s’agit d’une série de temps
scénario de prévision,

00:01:51.830 --> 00:01:55.400
donc vous devez sélectionner
votre nom de colonne d’heure,

00:01:55.400 --> 00:01:58.315
horizon maximum, pays ou région,

00:01:58.315 --> 00:02:00.440
cibles à la traîne et enfin,

00:02:00.440 --> 00:02:02.500
vous pouvez également déposer un nom de colonne,

00:02:02.500 --> 00:02:05.210
ce sont des colonnes qui
vous ne voulez pas

00:02:05.210 --> 00:02:09.300
inclure dans ces exécutions AutomatiqueS spécifiques.