constants 模块

定义可以执行的 Azure 机器学习 API作的名称。

定义用于选择下一个管道的所有购置函数的名称。

默认值为 EI（预期改进）。

定义数值列的聚合函数。

用于存储默认超时的常量

为自动化 ML 创建的 JSON 定义常量。

定义 Azure 机器学习中使用的自动化 ML 常量。

如果少数类中的样本与多数类中的样本比率等于或低于此阈值，则会在数据集中检测不均衡。

定义违反用户指定的成本约束时可能发生的客户端错误。

定义支持的日期/时间数据类型。

名称对应于 pandas.api.types.infer_dtype（） 的输出。

定义管道的默认值。

定义 Azure 机器学习中使用的自动化 ML 常量。

定义用于合奏迭代的常量。

定义合奏方法。

异常片段

定义特征扫描的常量。

FitPipeline 组件名称的常量。

定义与超参数优化相关的常量。

定义更改per_iteration_timeout的方法。

定义用于学习器管道的所有列。

定义自动化 ML 中 Miro 推荐器支持的所有模型的名称。

这些名称仍用于引用 Miro 数据库中的对象，但不会由任何自动化 ML 客户端使用。

与 MLFlow 相关的常量。

与 MLFlow metdata 相关的常量。

定义 Azure 机器学习中使用的自动化 ML 常量。

定义分类和回归支持的所有指标。

定义置信区间的内部值

定义从指标到其目标的映射。

目标是最大化或最小化（回归和分类）。

定义模型的类别。

定义模型的类名。

这些是管道规范中的模型包装类名称。

定义一个模型名称，其中包括客户、旧名称和类名。

Init ModelName。

定义模型名称映射。

定义特定于特定模型的参数名称。

例如，若要指示数据集中的哪些特征是分类的，LightGBM 模型接受“categorical_feature”参数，而 CatBoost 模型接受“cat_features”参数。

定义支持的数值数据类型。

名称对应于 pandas.api.types.infer_dtype（） 的输出。

定义使用的管道预测算法的类别。

• “random”通过随机选择管道来提供基线

• “lvm”使用潜在变量模型来预测可能针对以前的管道的性能的下一个管道。

定义算法相对于指标可以具有的目标。

某些指标应最大化，一些指标应最小化。

定义成本模型模式。

• COST_NONE返回所有预测管道

• COST_FILTER仅返回成本模型预测以满足用户指定的成本条件的管道

• COST_SCALE将购置函数分数除以预测时间

定义管道的掩码配置文件。

定义一个值，该值指示管道是否有效。

定义预处理器的类别。

定义基于规则的验证设置的常量。

定义运行可以处于的状态。

定义服务器状态值。

定义 ShortSeriesHandling 配置的可能值。

定义可能的子运行状态。

定义子采样策略。

定义 GP 中的子采样处理。

定义子任务的名称。

定义支持的分类学习者_set_dataset_categoricals类型：

AutoML 支持的不同运行类型的输入数据类型。

定义支持模型，其中每个模型都有客户名称、旧模型名称和模型类名称。

为 Azure 机器学习中的自动化 ML 支持的算法定义面向客户的名称。

定义自动化 ML 支持的机器学习任务类型。

定义遥测常量。

定义支持的分类数据类型。

时间约束强制模式的枚举。

定义用于时间序列化的参数。

定义面向用户的 TimeSeries 常量。

定义时序文档的 Web 链接。

定义运行程序类的潜在结果。

定义验证方法。

不同的试验类型将使用不同的验证方法。

定义用于数据处理的转换器。

定义验证规则。

根据输入初始化规则。

用于存储链接以更正错误的常量。

可用的映像任务类型。

枚举。