WEBVTT

00:00:02.810 --> 00:00:07.075
Привет всем. Нво
Давайте посмотрим, как мы можем

00:00:07.075 --> 00:00:11.345
создать автоматизированную машину
объект конфигурации обучения.

00:00:11.345 --> 00:00:16.150
Класс AutoMLConfig представляет
конфигурация для

00:00:16.150 --> 00:00:17.920
представление автоматизированной
машинное обучение

00:00:17.920 --> 00:00:20.665
эксперимент в Лазурном автоматном обучении.

00:00:20.665 --> 00:00:24.460
Это объект конфигурации
который содержит и продолжает, что

00:00:24.460 --> 00:00:28.240
параметры для определения
эксперимент для запуска,

00:00:28.240 --> 00:00:30.370
а также данные о подготовке, которые

00:00:30.370 --> 00:00:32.840
будет использоваться во время выполнения.

00:00:32.840 --> 00:00:34.995
Как вы можете видеть из этой таблицы,

00:00:34.995 --> 00:00:37.630
здесь вы можете определить настройки и

00:00:37.630 --> 00:00:41.140
данные, которые будут
используется для запуска экспериментов.

00:00:41.140 --> 00:00:42.760
Таким образом, с точки зрения свойств,

00:00:42.760 --> 00:00:44.650
Начнем с задачи.

00:00:44.650 --> 00:00:47.030
В этом случае мы
выбранный прогнозирование

00:00:47.030 --> 00:00:49.520
потому что мы находимся в то время,
сценарий прогнозирования серий.

00:00:49.520 --> 00:00:52.685
Но вы также можете выбрать
классификация или регрессия

00:00:52.685 --> 00:00:56.420
в зависимости от вашего конкретного
сценарий науки о данных.

00:00:56.420 --> 00:01:00.500
Тогда у вас есть несколько первичных
метрики, которые можно выбрать,

00:01:00.500 --> 00:01:03.615
это метрика, которая
вы хотите оптимизировать.

00:01:03.615 --> 00:01:05.610
Что касается модели черного списка,

00:01:05.610 --> 00:01:07.380
так что есть много различных моделей,

00:01:07.380 --> 00:01:08.870
так что, конечно, вы, вероятно, вы

00:01:08.870 --> 00:01:10.610
не хочу бежать, потому что вы знаете,

00:01:10.610 --> 00:01:12.380
что они не очень

00:01:12.380 --> 00:01:14.660
хорошо с вашей конкретной
сценарий науки о данных,

00:01:14.660 --> 00:01:16.220
так что вы можете внести их в черный список,

00:01:16.220 --> 00:01:21.290
так что AutoML не собирается
использовать их для любых запусков.

00:01:21.290 --> 00:01:24.845
Кроме того, существуют
многие другие свойства

00:01:24.845 --> 00:01:26.705
что вы можете использовать от AutoML,

00:01:26.705 --> 00:01:29.315
таких, как экспериментальные
тайм-аут часов,

00:01:29.315 --> 00:01:33.425
обучающие данные, столбец метки
имя, компьютерная цель,

00:01:33.425 --> 00:01:36.290
количество перекрестных проверок,

00:01:36.290 --> 00:01:38.719
вы также можете включить раннюю остановку.

00:01:38.719 --> 00:01:41.480
Если ранняя остановка на обучение будет

00:01:41.480 --> 00:01:45.094
остановиться, когда основная метрика
больше не улучшается.

00:01:45.094 --> 00:01:48.960
Затем вы можете выбрать
имя столбца времени,

00:01:48.960 --> 00:01:51.830
это временные ряды
сценарий прогнозирования,

00:01:51.830 --> 00:01:55.400
так что вы должны выбрать
имя столбца времени,

00:01:55.400 --> 00:01:58.315
максимальный горизонт, страна или регион,

00:01:58.315 --> 00:02:00.440
цели лаг и, наконец,

00:02:00.440 --> 00:02:02.500
вы также можете уронить имена столбцов,

00:02:02.500 --> 00:02:05.210
это столбцы, которые
Вы не хотите

00:02:05.210 --> 00:02:09.300
включить в эти конкретные запуска AutoML.