WEBVTT

00:00:02.810 --> 00:00:07.075
>> Ciao a tutti. ora
vediamo come possiamo

00:00:07.075 --> 00:00:11.345
creare una macchina automatizzata
oggetto di configurazione per l'apprendimento.

00:00:11.345 --> 00:00:16.150
AutoMLConfig rappresenta la classe
una configurazione per

00:00:16.150 --> 00:00:17.920
l'invio di un'attività automatizzata
machine learning

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

00:00:20.665 --> 00:00:24.460
Si tratta di un oggetto di configurazione
che contiene e procede che

00:00:24.460 --> 00:00:28.240
i parametri per la definizione
l'esperimento da eseguire,

00:00:28.240 --> 00:00:30.370
così come i dati di training che sono

00:00:30.370 --> 00:00:32.840
sta per essere utilizzato in fase di esecuzione.

00:00:32.840 --> 00:00:34.995
Come potete vedere da questa tabella,

00:00:34.995 --> 00:00:37.630
qui è possibile definire le impostazioni e

00:00:37.630 --> 00:00:41.140
i dati che stanno per essere
utilizzato per eseguire gli esperimenti.

00:00:41.140 --> 00:00:42.760
Quindi, in termini di proprietà,

00:00:42.760 --> 00:00:44.650
iniziamo con il compito.

00:00:44.650 --> 00:00:47.030
In questo caso,
selezionato la previsione

00:00:47.030 --> 00:00:49.520
perché siamo in un tempo
scenario di previsione della serie.

00:00:49.520 --> 00:00:52.685
Ma è anche possibile selezionare il
classificazione o regressione

00:00:52.685 --> 00:00:56.420
a seconda del vostro specifico
uno scenario di data science.

00:00:56.420 --> 00:01:00.500
Poi hai un multiplo primario
metriche che è possibile selezionare,

00:01:00.500 --> 00:01:03.615
questa è la metrica che
che volevi ottimizzare.

00:01:03.615 --> 00:01:05.610
In termini di un modello nella lista nera,

00:01:05.610 --> 00:01:07.380
quindi ci sono molti modelli diversi,

00:01:07.380 --> 00:01:08.870
in modo che, naturalmente, probabilmente si

00:01:08.870 --> 00:01:10.610
non vogliono correre perché sai

00:01:10.610 --> 00:01:12.380
che non sono molto

00:01:12.380 --> 00:01:14.660
bene con il vostro specifico
scenario di data science,

00:01:14.660 --> 00:01:16.220
in modo da poterli listare in bianco,

00:01:16.220 --> 00:01:21.290
in modo che l'AutoML non sta andando
per utilizzarli per tutte le corse.

00:01:21.290 --> 00:01:24.845
Inoltre, ci sono
molte altre proprietà

00:01:24.845 --> 00:01:26.705
che puoi sfruttare da AutoML,

00:01:26.705 --> 00:01:29.315
come la sperimentale
ore di timeout,

00:01:29.315 --> 00:01:33.425
dati di training, la colonna dell'etichetta
nome, la destinazione del computer,

00:01:33.425 --> 00:01:36.290
il numero di convalide incrociate,

00:01:36.290 --> 00:01:38.719
è anche possibile abilitare l'arresto anticipato.

00:01:38.719 --> 00:01:41.480
Se l'arresto anticipato è in allenamento,

00:01:41.480 --> 00:01:45.094
fermarsi quando la metrica primaria
non migliora più.

00:01:45.094 --> 00:01:48.960
Quindi è possibile selezionare
il nome della colonna temporale,

00:01:48.960 --> 00:01:51.830
questa è una serie temporale
scenario di previsione,

00:01:51.830 --> 00:01:55.400
quindi è necessario selezionare
il nome della colonna temporale,

00:01:55.400 --> 00:01:58.315
orizzonte massimo, paese o regione,

00:01:58.315 --> 00:02:00.440
obiettivi in ritardo e, infine,

00:02:00.440 --> 00:02:02.500
puoi anche rilasciare i nomi di una colonna,

00:02:02.500 --> 00:02:05.210
queste sono colonne che
non si vuole

00:02:05.210 --> 00:02:09.300
inclusi in queste specifiche operazioni AutoML.