WEBVTT

00:00:02.810 --> 00:00:07.075
• 大家好。现在
让我们看看我们怎么能

00:00:07.075 --> 00:00:11.345
创建自动化机器
学习配置对象。

00:00:11.345 --> 00:00:16.150
自动MLConfig 类表示
配置

00:00:16.150 --> 00:00:17.920
提交自动
机器学习

00:00:17.920 --> 00:00:20.665
在 Azure 机器学习中进行实验。

00:00:20.665 --> 00:00:24.460
这是一个配置对象
包含和继续，

00:00:24.460 --> 00:00:28.240
用于定义的参数
要运行的实验，

00:00:28.240 --> 00:00:30.370
以及训练数据

00:00:30.370 --> 00:00:32.840
将在运行时使用。

00:00:32.840 --> 00:00:34.995
正如您从下表中看到的，

00:00:34.995 --> 00:00:37.630
在这里，你可以定义设置和

00:00:37.630 --> 00:00:41.140
数据，将是
用来运行你的实验。

00:00:41.140 --> 00:00:42.760
因此，就属性而言，

00:00:42.760 --> 00:00:44.650
让我们从任务开始。

00:00:44.650 --> 00:00:47.030
在这种情况下，我们
选择预测

00:00:47.030 --> 00:00:49.520
因为我们在一个时间
系列预测方案。

00:00:49.520 --> 00:00:52.685
但是，您也可以选择
分类或回归

00:00:52.685 --> 00:00:56.420
取决于你的具体
数据科学场景。

00:00:56.420 --> 00:01:00.500
然后你有一个多个主
您可以选择的指标，

00:01:00.500 --> 00:01:03.615
这是指标，
您想要优化。

00:01:03.615 --> 00:01:05.610
就黑名单模型而言，

00:01:05.610 --> 00:01:07.380
所以有很多不同的模型，

00:01:07.380 --> 00:01:08.870
所以你当然可能是你

00:01:08.870 --> 00:01:10.610
不想跑， 因为你知道

00:01:10.610 --> 00:01:12.380
他们不是很

00:01:12.380 --> 00:01:14.660
好与你的特定
数据科学场景，

00:01:14.660 --> 00:01:16.220
所以你可以把他们列入黑名单

00:01:16.220 --> 00:01:21.290
使自动ml不会去
用于任何运行。

00:01:21.290 --> 00:01:24.845
此外，还有
许多其他属性

00:01:24.845 --> 00:01:26.705
你可以利用自动ML，

00:01:26.705 --> 00:01:29.315
如实验
超时小时，

00:01:29.315 --> 00:01:33.425
训练数据，标签列
名称，计算机目标，

00:01:33.425 --> 00:01:36.290
交叉验证的数量，

00:01:36.290 --> 00:01:38.719
您还可以启用早期停止。

00:01:38.719 --> 00:01:41.480
如果提前停止是训练将

00:01:41.480 --> 00:01:45.094
当主指标停止时停止
不再改善。

00:01:45.094 --> 00:01:48.960
然后，您可以选择
您的时间列名称，

00:01:48.960 --> 00:01:51.830
这是一个时间序列
预测情景，

00:01:51.830 --> 00:01:55.400
所以你必须选择
您的时间列名称，

00:01:55.400 --> 00:01:58.315
最大地平线、国家/地区、

00:01:58.315 --> 00:02:00.440
目标滞后，最后，

00:02:00.440 --> 00:02:02.500
您还可以删除列名称，

00:02:02.500 --> 00:02:05.210
这些都是列，
你不想

00:02:05.210 --> 00:02:09.300
包括这些特定的自动ML运行。