次の方法で共有

AutoMLStep クラス

自動 ML 実行をカプセル化する Azure ML パイプライン ステップを作成します。

AutoMLStep の使用例については、ノートブックの https://aka.ms/pl-automlを参照してください。

AutoMLStep を初期化します。

コンストラクター

AutoMLStep(name, automl_config, inputs=None, outputs=None, script_repl_params=None, allow_reuse=True, version=None, hash_paths=None, enable_default_model_output=True, enable_default_metrics_output=True, **kwargs)

パラメーター

名前 説明
name
必須
str

ステップの名前。
automl_config
必須
AutoMLConfig

この AutoML 実行の構成を定義する AutoMLConfig オブジェクト。
inputs
list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]

入力ポート バインドの一覧。

規定値: None
outputs
list[Union[PipelineData, OutputPortBinding]]

出力ポート バインドの一覧。

規定値: None
script_repl_params
dict

スクリプトで置き換える省略可能なパラメーター (例: {'param1': 'value1'、'param2': 'value2'})。

規定値: None
allow_reuse
bool

同じ設定で再実行するときに、前の結果をステップで再利用するかどうかを示します。

再利用は既定で有効になっています。 ステップの内容 (スクリプト/依存関係) と入力とパラメーターが変更されていない場合は、この手順の前の実行からの出力が再利用されます。 ステップを再利用すると、ジョブをコンピューティングに送信する代わりに、前の実行の結果が後続のステップですぐに使用できるようになります。 Azure Machine Learning データセットを入力として使用する場合、再利用は、基になるデータが変更されたかどうかではなく、データセットの定義が変更されたかどうかによって決まります。

規定値: True
version
str

ステップに割り当てるバージョン。

規定値: None
hash_paths
list

廃止。 パイプライン ステップの内容に対する変更を確認するときにハッシュするパスの一覧。

既定では、path の AutoMLConfig パラメーターの下にあるすべてのファイルはハッシュされます。ただし、.amlignore または .gitignore にリストされているファイルは、pathの下にあります。 変更が検出されなかった場合、パイプラインは前回の実行のステップの内容を再利用します。

規定値: None
enable_default_model_output
bool

最適なモデルを既定の出力として追加するかどうかを示します。 これは、 AutoMLStepRun クラスを使用して実行が完了した後に最適なモデルを取得するために使用できます。 既定のモデル出力が不要な場合は、このパラメーターを False に設定することをお勧めします。

規定値: True
enable_default_metrics_output
bool

すべての子実行メトリックを既定の出力として追加するかどうかを示します。 これは、 AutoMLStepRun クラスを使用して実行が完了した後に子実行メトリックを取得するために使用できます。 既定のメトリック出力が不要な場合は、このパラメーターを False に設定することをお勧めします。

規定値: True
name
必須
str

ステップの名前。
automl_config
必須
AutoMLConfig

この AutoML 実行の構成を定義する AutoMLConfig。
inputs
必須
list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]

入力ポート バインドの一覧。
outputs
必須
list[Union[PipelineData, OutputPortBinding]]

出力ポート バインドの一覧。
script_repl_params
必須
dict

スクリプトで置き換える省略可能なパラメーター (例: {'param1': 'value1'、'param2': 'value2'})。
script_repl_params
必須

スクリプトで置き換える省略可能なパラメーター。
allow_reuse
必須
bool

同じ設定で再実行するときに、前の結果をステップで再利用するかどうかを示します。

再利用は既定で有効になっています。 ステップの内容 (スクリプト/依存関係) と入力とパラメーターが変更されていない場合は、この手順の前の実行からの出力が再利用されます。 ステップを再利用すると、ジョブをコンピューティングに送信する代わりに、前の実行の結果が後続のステップですぐに使用できるようになります。 Azure Machine Learning データセットを入力として使用する場合、再利用は、基になるデータが変更されたかどうかではなく、データセットの定義が変更されたかどうかによって決まります。
version
必須
str

ステップに割り当てるバージョン。
hash_paths
必須
list

廃止。 パイプライン ステップの内容に対する変更を確認するときにハッシュするパスの一覧。

既定では、path の AutoMLConfig パラメーターの下にあるすべてのファイルはハッシュされます。ただし、.amlignore または .gitignore にリストされているファイルは、pathの下にあります。 変更が検出されなかった場合、パイプラインは前回の実行のステップの内容を再利用します。
enable_default_model_output
必須
bool

最適なモデルを既定の出力として追加するかどうかを示します。 これは、 AutoMLStepRun クラスを使用して実行が完了した後に最適なモデルを取得するために使用できます。 既定のモデル出力が不要な場合は、このパラメーターを False に設定することをお勧めします。
enable_default_metrics_output
必須
bool

すべての子実行メトリックを既定の出力として追加するかどうかを示します。 これは、 AutoMLStepRun クラスを使用して実行が完了した後に子実行メトリックを取得するために使用できます。 既定のメトリック出力が不要な場合は、このパラメーターを False に設定することをお勧めします。

注釈

AutoMLStep クラスを使用すると、Azure Machine Learning パイプラインで自動 ML ワークフローを実行できます。 パイプラインには、自動化された ML ワークフローの再現性、無人実行、バージョン管理と追跡、モジュール性などの利点があります。 詳細については、「 Azure Machine Learning パイプラインとは」を参照してください。

自動 ML ワークフローがパイプライン内にある場合は、時間ベースのスケジュールまたは変更ベースのスケジュールで実行するようにパイプラインをスケジュールできます。 時間ベースのスケジュールは、データドリフトの監視などの日常的なタスクに役立ちますが、変更ベースのスケジュールは、データが変更された場合など、不規則または予測不可能な変更に役立ちます。 たとえば、スケジュールでは、データがアップロードされている BLOB ストアをポーリングし、データが変更された場合はパイプラインをもう一度実行し、実行が完了したら新しいバージョンのモデルを登録します。 詳細については、「 機械学習パイプラインをスケジュール する」および「 ロジック アプリから Machine Learning パイプラインの実行をトリガーする」を参照してください。

次の例は、AutoMLStep を作成する方法を示しています。


   automl_step = AutoMLStep(
       name='automl_module',
       automl_config=automl_config,
       outputs=[metrics_data, model_data],
       allow_reuse=True)

完全なサンプルは次から入手できます https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb

次の例は、 Pipelineで AutoMLStep オブジェクトを使用する方法を示しています。


   from azureml.pipeline.core import Pipeline
   pipeline = Pipeline(
       description="pipeline_with_automlstep",
       workspace=ws,
       steps=[automl_step])

完全なサンプルは次から入手できます https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-with-automated-machine-learning-step.ipynb

上記の例は、パイプラインの 1 つのステップを示しています。 ただし、実際の自動 ML ワークフローで AutoMLStep を使用する場合は、AutoMLStep の前にデータ準備を実行するパイプライン ステップが少なくとも 1 つ、モデルを登録した後に別のパイプライン ステップが作成されます。 この種類のワークフローの例については、ノートブックの https://aka.ms/automl-retrain-pipelineを参照してください。

パイプラインの実行を管理、状態の確認、および実行の詳細を取得するには、 AutoMLStepRun クラスを使用します。

Azure での自動機械学習の詳細については、自動 機械学習の概要に関する記事を参照してください。 パイプラインを使用せずに自動 ML 実験を設定する方法の詳細については、 Python での自動 ML 実験の構成に関する記事を参照してください。

メソッド

create_node

この AutoML ステップからノードを作成し、特定のグラフに追加します。

このメソッドは、直接使用するためのものではありません。 この手順でパイプラインがインスタンス化されると、Azure ML は、このメソッドに必要なパラメーターを自動的に渡して、そのステップをワークフローを表すパイプライン グラフに追加できるようにします。

create_node

この AutoML ステップからノードを作成し、特定のグラフに追加します。

このメソッドは、直接使用するためのものではありません。 この手順でパイプラインがインスタンス化されると、Azure ML は、このメソッドに必要なパラメーターを自動的に渡して、そのステップをワークフローを表すパイプライン グラフに追加できるようにします。

create_node(graph, default_datastore, context)

パラメーター

名前 説明
graph
必須
Graph

ノードを追加するグラフ オブジェクト。
default_datastore
必須
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]

既定のデータストア。
context
必須
<xref:azureml.pipeline.core._GraphContext>

グラフ コンテキスト。

戻り値

型 説明
Node

作成されたノード。

属性

AUTOML_CONFIG_PARAM_NAME 

AUTOML_CONFIG_PARAM_NAME = 'AutoMLConfig'

DEFAULT_METRIC_PREFIX 

DEFAULT_METRIC_PREFIX = 'default_metrics_'

DEFAULT_MODEL_PREFIX 

DEFAULT_MODEL_PREFIX = 'default_model_'