WEBVTT

00:00:02.810 --> 00:00:07.075
>> Olá a todos. Nwo
vamos ver como podemos

00:00:07.075 --> 00:00:11.345
criar uma máquina automatizada
objeto de configuração de aprendizagem.

00:00:11.345 --> 00:00:16.150
A classe AutoMLConfig representa
uma configuração para

00:00:16.150 --> 00:00:17.920
enviando um automatizado
aprendizado de máquina

00:00:17.920 --> 00:00:20.665
experimento em Aprendizado de Máquina Azure.

00:00:20.665 --> 00:00:24.460
Este é um objeto de configuração
que contém e prossegue que

00:00:24.460 --> 00:00:28.240
os parâmetros para definir
o experimento para executar,

00:00:28.240 --> 00:00:30.370
bem como os dados de treinamento que são

00:00:30.370 --> 00:00:32.840
vai ser usado na hora da corrida.

00:00:32.840 --> 00:00:34.995
Como você pode ver desta mesa,

00:00:34.995 --> 00:00:37.630
aqui você pode definir as configurações e

00:00:37.630 --> 00:00:41.140
os dados que vão ser
costumava executar seus experimentos.

00:00:41.140 --> 00:00:42.760
Então, em termos de propriedades,

00:00:42.760 --> 00:00:44.650
Vamos começar com a tarefa.

00:00:44.650 --> 00:00:47.030
Neste caso, nós
selecionou a previsão

00:00:47.030 --> 00:00:49.520
porque estamos em um tempo
cenário de previsão de séries.

00:00:49.520 --> 00:00:52.685
Mas você também pode selecionar o
classificação ou regressão

00:00:52.685 --> 00:00:56.420
dependendo do seu específico
cenário de ciência de dados.

00:00:56.420 --> 00:01:00.500
Então você tem um múltiplo primário
métricas que você pode selecionar,

00:01:00.500 --> 00:01:03.615
esta é a métrica de que
você queria otimizar.

00:01:03.615 --> 00:01:05.610
Em termos de um modelo de lista negra,

00:01:05.610 --> 00:01:07.380
então existem muitos modelos diferentes,

00:01:07.380 --> 00:01:08.870
de modo que, claro, você provavelmente você

00:01:08.870 --> 00:01:10.610
não quero correr, porque você sabe

00:01:10.610 --> 00:01:12.380
que eles não são muito

00:01:12.380 --> 00:01:14.660
bom com o seu específico
cenário de ciência de dados,

00:01:14.660 --> 00:01:16.220
para que você possa listar-los na lista negra,

00:01:16.220 --> 00:01:21.290
de modo que o AutoML não vai
para usá-los para qualquer corrida.

00:01:21.290 --> 00:01:24.845
Além disso, há
muitas outras propriedades

00:01:24.845 --> 00:01:26.705
que você pode aproveitar do AutoML,

00:01:26.705 --> 00:01:29.315
como o experimental
horas de intervalo,

00:01:29.315 --> 00:01:33.425
dados de treinamento, a coluna de rótulos
nome, o alvo do computador,

00:01:33.425 --> 00:01:36.290
o número de validações cruzadas,

00:01:36.290 --> 00:01:38.719
você também pode habilitar a parada antecipada.

00:01:38.719 --> 00:01:41.480
Se a parada antecipada estiver em treinamento será

00:01:41.480 --> 00:01:45.094
parar quando a métrica primária
não está mais melhorando.

00:01:45.094 --> 00:01:48.960
Então você pode selecionar
seu nome de coluna de tempo,

00:01:48.960 --> 00:01:51.830
esta é uma série de tempo
cenário de previsão,

00:01:51.830 --> 00:01:55.400
então você tem que selecionar
seu nome de coluna de tempo,

00:01:55.400 --> 00:01:58.315
horizonte máximo, país ou região,

00:01:58.315 --> 00:02:00.440
alvos lags e, finalmente,

00:02:00.440 --> 00:02:02.500
você também pode soltar nomes de coluna,

00:02:02.500 --> 00:02:05.210
estas são colunas que
você não quer

00:02:05.210 --> 00:02:09.300
incluir nestas execuções automáticas específicas.