WEBVTT

00:00:02.810 --> 00:00:07.075
• 大家好。現在
讓我們看看我們怎麼能

00:00:07.075 --> 00:00:11.345
建立自動化機器
學習配置物件。

00:00:11.345 --> 00:00:16.150
自動MLConfig 類別表示
設定

00:00:16.150 --> 00:00:17.920
提交自動
機器學習

00:00:17.920 --> 00:00:20.665
在 Azure 機器學習中進行實驗。

00:00:20.665 --> 00:00:24.460
這是一個設定物件
包含和繼續,

00:00:24.460 --> 00:00:28.240
定義的參數
要運行的實驗,

00:00:28.240 --> 00:00:30.370
以及訓練資料

00:00:30.370 --> 00:00:32.840
將在運行時使用。

00:00:32.840 --> 00:00:34.995
正如您從下表中看到的,

00:00:34.995 --> 00:00:37.630
在這裡,你可以定義設置和

00:00:37.630 --> 00:00:41.140
資料,將是
用來運行你的實驗。

00:00:41.140 --> 00:00:42.760
因此,就屬性而言,

00:00:42.760 --> 00:00:44.650
讓我們從任務開始。

00:00:44.650 --> 00:00:47.030
在這種情況下,我們
選擇預測

00:00:47.030 --> 00:00:49.520
因為我們在一個時間
系列預測方案。

00:00:49.520 --> 00:00:52.685
但是,您也可以選擇
分類或回歸

00:00:52.685 --> 00:00:56.420
取決於你的具體
數據科學場景。

00:00:56.420 --> 00:01:00.500
然後你有一個多個主
您可以選擇的指標,

00:01:00.500 --> 00:01:03.615
這是指標,
您想要優化。

00:01:03.615 --> 00:01:05.610
就黑名單模型而言,

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
所以你當然可能是你

00:01:08.870 --> 00:01:10.610
不想跑, 因為你知道

00:01:10.610 --> 00:01:12.380
他們不是很

00:01:12.380 --> 00:01:14.660
好與你的特定
數據科學場景,

00:01:14.660 --> 00:01:16.220
所以你可以把他們列入黑名單

00:01:16.220 --> 00:01:21.290
讓自動ml不會去
用於任何運行。

00:01:21.290 --> 00:01:24.845
此外,還有
許多其他屬性

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

00:01:26.705 --> 00:01:29.315
如實驗
超時小時,

00:01:29.315 --> 00:01:33.425
訓練資料,分頁列
名稱,計算機目標,

00:01:33.425 --> 00:01:36.290
交叉驗證的數量,

00:01:36.290 --> 00:01:38.719
您還可以啟用早期停止。

00:01:38.719 --> 00:01:41.480
如果提前停止是訓練將

00:01:41.480 --> 00:01:45.094
當主指標停止時停止
不再改善。

00:01:45.094 --> 00:01:48.960
然後,您可以選擇
您的時間列名稱,

00:01:48.960 --> 00:01:51.830
這是一個時間序列
預測情景,

00:01:51.830 --> 00:01:55.400
所以您必須選擇
您的時間列名稱,

00:01:55.400 --> 00:01:58.315
最大地平線、國家/地區、

00:01:58.315 --> 00:02:00.440
目標滯後,最後,

00:02:00.440 --> 00:02:02.500
您還可以刪除列名稱,

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

00:02:05.210 --> 00:02:09.300
包括這些特定的自動ML運行。