Translation not up to date
The autoai-lib library for Python contains a set of functions that help you to interact with IBM Watson Machine Learning AutoAI experiments. Korzystając z biblioteki autoai-lib , można przeglądać i edytować transformacje danych, które mają miejsce podczas tworzenia potoku. Podobnie można użyć biblioteki autoai-ts-libs w celu interakcji z notatkami rurociągów na potrzeby eksperymentów szeregów czasowych.
Instalowanie programu autoai-lib lub autoai-ts-libs dla Python
Postępuj zgodnie z instrukcjami w sekcji Instalowanie bibliotek niestandardowych , aby zainstalować produkt autoai-lib lub autoai-ts-libs.
Korzystanie z funkcji autoai-lib i autoai-ts-libs dla Python
Biblioteka autoai-lib i autoai-ts-libs dla języka Python zawierają funkcje, które pomagają w interakcji z eksperymentami IBM Watson Machine Learning AutoAI . Korzystając z biblioteki autoai-lib , można przeglądać i edytować transformacje danych, które mają miejsce przy tworzeniu rurociągów klasyfikacji i regresji. Korzystając z biblioteki produktu autoai-ts-libs , można przejrzeć transformacje danych, które mają miejsce przy tworzeniu rurociągów szeregów czasowych (prognoza).
Instalowanie programu autoai-lib i autoai-ts-libs dla Python
Postępuj zgodnie z instrukcjami w sekcji Instalowanie bibliotek niestandardowych , aby zainstalować produkty autoai-lib i autoai-ts-libs.
Funkcje autoai-lib
Instancja obiektu projektu, który jest tworzony po zaimportowanie biblioteki produktu autoai-lib , ujawnia następujące funkcje:
autoai_libs.transformers.exportable.NumpyColumnSelector()
Wybiera podzbiór kolumn tablicy numpy
Składnia:
autoai_libs.transformers.exportable.NumpyColumnSelector(columns=None)
| Opcja | Opis |
|---|---|
| kolumny | Lista indeksów kolumn do wyboru |
autoai_libs.transformers.exportable.CompressStrings()
Usuwa spacje i znaki specjalne z kolumn łańcuchowych wejściowego tablicy numpy X.
Składnia:
autoai_libs.transformers.exportable.CompressStrings(compress_type='string', dtypes_list=None, misslist_list=None, missing_values_reference_list=None, activate_flag=True)
| Opcja | Opis |
|---|---|
compress_type |
Typ kompresji łańcucha. 'string' dla usuwania spacji z łańcucha i 'hash' w celu utworzenia mieszającego typu int. Wartością domyślną jest 'string'. 'hash' jest używane dla kolumn z łańcuchami i cat_imp_strategy = 'most_częste' |
dtypes_list |
Lista zawierająca łańcuchy, które oznaczają typ każdej kolumny wejściowej tablicy liczbowej X (łańcuchy są jednymi z: 'char_str', 'int_str', 'float_str', 'float_num', 'float_int_num', 'int_num', 'Boolean', 'Unknown'). Jeśli nie, zostaną wykryte typy kolumn. Wartością domyślną jest Brak. |
misslist_list |
Lista zawiera listę brakujących wartości każdej kolumny wejściowej tablicy liczbowej X. Jeśli Brak, zostaną wykryte brakujące wartości każdej kolumny. Wartością domyślną jest Brak. |
missing_values_reference_list |
Lista referencyjna brakujących wartości w wejściowej tablicy numpy X |
activate_flag |
Flaga wskazująca, że transformator jest aktywny. Jeśli wartość False, transformacja (X) powoduje wyjście z wejściowej tablicy numpy X, która nie została zmodyfikowana. |
autoai_libs.transformers.exportable.NumpyReplaceMissingValues()
Z uwagi na macierz numpy i listę referencyjną brakujących wartości, zastępuje brakujące wartości specjalną wartością (zwykle jest to specjalna brakująca wartość, taka jak np.nan).
Składnia:
autoai_libs.transformers.exportable.NumpyReplaceMissingValues(missing_values, filling_values=np.nan)
| Opcja | Opis |
|---|---|
missing_values |
lista referencyjna brakujących wartości |
filling_values |
wartość specjalna, która jest przypisana do nieznanych wartości |
autoai_libs.transformers.exportable.NumpyReplaceUnknownValues()
Biorąc pod uwagę macierz numpy i listę referencyjną znanych wartości dla każdej kolumny, należy zastąpić wartości, które nie są częścią listy odwołań, z wartością specjalną (zwykle jest to np.nan). Ta metoda jest zwykle używana do usuwania etykiet dla kolumn w zestawie danych testowych, który nie był widoczny w odpowiadających im kolumnach zestawu danych uczących.
Składnia:
autoai_libs.transformers.exportable.NumpyReplaceUnknownValues(known_values_list=None, filling_values=None, missing_values_reference_list=None)
| Opcja | Opis |
|---|---|
known_values_list |
Lista referencyjna listy znanych wartości dla każdej kolumny |
filling_values |
wartość specjalna, która jest przypisana do nieznanych wartości |
missing_values_reference_list |
lista referencyjna brakujących wartości |
autoai_libs.transformers.exportable.boolean2float()
Przekształca liczbę (1-D) tablicy liczbowej łańcuchów, które reprezentują booleans, aby zalać i zastąpić brakujące wartości np.nan. Zmienia się również typ tablicy z 'object' na 'float'.
Składnia:
autoai_libs.transformers.exportable.boolean2float(activate_flag=True)
| Opcja | Opis |
|---|---|
activate_flag |
Flaga wskazująca, że transformator jest aktywny. Jeśli wartość False, transformacja (X) powoduje wyjście z wejściowej tablicy numpy X, która nie została zmodyfikowana. |
autoai_libs.transformers.exportable.CatImputer()
Ten transformator jest opakowaniem dla zmiennej jakościowej. Wewnętrznie korzysta on obecnie ze skuczenia SimpleImputer] (https://scikit-learn.org/stable/modules/generated/sklearn.impute.SimpleImputer.html)
Składnia:
autoai_libs.transformers.exportable.CatImputer(strategy, missing_values, sklearn_version_family=global_sklearn_version_family, activate_flag=True)
| Opcja | Opis |
|---|---|
strategy |
string, opcjonalny, default="średnia ". Strategia imputacji dla brakujących wartości. - mean: zastępowanie przy użyciu średniej wzdłuż każdej kolumny. Może być używany tylko z danymi liczbowymi.- median:zastąp przez użycie mediany wzdłuż każdej kolumny. Może być używany tylko z danymi liczbowymi.- most_frequent:zastąp przy użyciu najczęstszych wartości dla każdej kolumny. Używany razem z łańcuchami lub danymi liczbowymi.- constant: zastąp wartością fill_value. Może być używany z łańcuchami lub danymi liczbowymi. |
missing_values |
number, string, np.nan (wartość domyślna) lub None. Obiekt zastępczy dla brakujących wartości. Wszystkie wystąpienia missing_values są podstawiane. |
sklearn_version_family |
str wskazujący wersję skuczenia dla wstecznej kompatybilności z wersjami 019 i 020dev. Obecnie nieużywane. Wartością domyślną jest Brak. |
activate_flag |
Flaga wskazująca, że transformator jest aktywny. Jeśli wartość False, transformacja (X) powoduje wyjście z wejściowej tablicy numpy X, która nie została zmodyfikowana. |
autoai_libs.transformers.exportable.CatEncoder()
Ta metoda jest opakowaniem dla kodera kategorialnego. Jeśli parametr kodowania ma wartość porządkowy, wewnętrznie używa on skuczenia OrdinalEncoder. Jeśli parametr kodowania ma wartość 'onehot', lub 'onehot-dense' wewnętrznie, korzysta ze skuczenia OneHotEncoder
Składnia:
autoai_libs.transformers.exportable.CatEncoder(encoding, categories, dtype, handle_unknown, sklearn_version_family=global_sklearn_version_family, activate_flag=True)
| Opcja | Opis |
|---|---|
encoding |
str, 'onehot', 'onehot-dense' lub 'ordinal'. Typ kodowania, który ma być używany (wartość domyślna to 'ordinal'), 'onehot': koduje funkcje za pomocą jednego z programów typu jeden-of-K (lub też nazywanych kodowaniem 'dummy'). To kodowanie tworzy kolumnę binarną dla każdej kategorii i zwraca macierz rzadką. 'onehot-dense': taka sama, jak 'onehot', ale zwraca gęstą tablicę, a nie macierz rzadką. 'ordinal': koduje funkcje jako liczby porządkowe liczb całkowitych. Wynikiem jest pojedyncza kolumna liczb całkowitych (od 0 do n_categories-1) na jedną cechę. |
categories |
'auto' lub lista list/tablic wartości. Kategorie (unikalne wartości) na jedną cechę: 'auto': automatycznie określ kategorie na podstawie danych uczących. list : Produkt categories[i] przechowuje kategorie, które są oczekiwane w kolumnie i-th. Zaliczone kategorie muszą być sortowane i nie mogą mieszać łańcuchów i wartości liczbowych. Używane kategorie można znaleźć w atrybucie encoder.categories_ . |
dtype |
Typ liczbowy, domyślny np.float64 , żądany typ danych wyjściowych. |
handle_unknown |
'error' (domyślny) lub 'ignore'. Określa, czy należy zgłosić błąd, czy zignorować, jeśli podczas transformacji jest obecna nieznana funkcja jakościowa (wartość domyślna to raise). Jeśli ten parametr jest ustawiony na wartość ignore (ignoruj) i podczas transformacji zostanie napotkana nieznana kategoria, wynikną z nich kolumny kodowane na gorąco dla tej opcji są zerami. W transformacji odwrotnej nieznana kategoria jest oznaczana jako Brak. Ignorowanie nieznanych kategorii nie jest obsługiwane w przypadku produktu encoding='ordinal'. |
sklearn_version_family |
str wskazujący wersję skuczenia dla wstecznej kompatybilności z wersjami 019 i 020dev. Obecnie nieużywane. Wartością domyślną jest Brak. |
activate_flag |
Flaga wskazująca, że transformator jest aktywny. Jeśli wartość False, transformacja (X) powoduje wyjście z wejściowej tablicy numpy X, która nie została zmodyfikowana. |
autoai_libs.transformers.exportable.float32_transform()
Przekształca tablicę numpy float64 na wartość float32.
Składnia:
autoai_libs.transformers.exportable.float32_transform(activate_flag=True)
| Opcja | Opis |
|---|---|
activate_flag |
Flaga wskazująca, że transformator jest aktywny. Jeśli wartość False, transformacja (X) powoduje wyjście z wejściowej tablicy numpy X, która nie została zmodyfikowana. |
autoai_libs.transformers.exportable.FloatStr2Float()
Podana numpy array X i dtypes_list, która oznacza typy jej kolumn, zastępuje kolumny łańcuchów, które reprezentują pływaki (typ 'float_str' na liście dtypes_list) na kolumny pływaków i zastępują brakujące wartości np.nan.
Składnia:
autoai_libs.transformers.exportable.FloatStr2Float(dtypes_list, missing_values_reference_list=None, activate_flag=True)
| Opcja | Opis |
|---|---|
dtypes_list |
Lista zawiera łańcuchy, które oznaczają typ każdej kolumny wejściowej tablicy liczbowej X (łańcuchy są między: 'char_str', 'int_str', 'float_str', 'float_num', 'float_int_num', 'int_num', 'Boolean', 'Unknown'). |
missing_values_reference_list |
lista referencyjna brakujących wartości |
activate_flag |
Flaga wskazująca, że transformator jest aktywny. Jeśli wartość False, transformacja (X) powoduje wyjście z wejściowej tablicy numpy X, która nie została zmodyfikowana. |
autoai_libs.transformers.exportable.NumImputer()
Ta metoda jest opakowaniem dla numerycznego elementu imputer.
Składnia:
autoai_libs.transformers.exportable.NumImputer(strategy, missing_values, activate_flag=True)
| Opcja | Opis |
|---|---|
strategy |
num_imp_strategy: łańcuch, opcjonalny (domyślnie = "średnia "). Strategia imputacji: -Jeśli "średnia", to zastąp brakujące wartości, używając średniej wzdłuż osi. -Jeśli "mediana", to zastąp brakujące wartości, używając mediany wzdłuż osi. -Jeśli "most_częste", to zastąp brak, stosując najczęstsze wartości wzdłuż osi. |
missing_values |
integer lub "NaN", opcjonalne (default = "NaN"). Obiekt zastępczy dla brakujących wartości. Wszystkie wystąpienia błędnych wartości są podstawiane: -W przypadku brakujących wartości zakodowanych jako np.nan, użyj wartości łańcuchowej "NaN". - activate_flag: oznacza, że ten transformator jest aktywny. Jeśli wartość False, transformacja (X) powoduje wyjście z wejściowej tablicy numpy X, która nie została zmodyfikowana. |
autoai_libs.transformers.exportable.OptStandardScaler()
Ten parametr jest opakowaniem dla skalowania zmiennych numerycznych. W tej chwili używa się wewnętrznie skuczenia StandardScaler .
Składnia:
autoai_libs.transformers.exportable.OptStandardScaler(use_scaler_flag=True, num_scaler_copy=True, num_scaler_with_mean=True, num_scaler_with_std=True)
| Opcja | Opis |
|---|---|
num_scaler_copy |
Wartość boolowska, opcjonalna, domyślna wartość True. Jeśli wartość False, należy unikać kopiowania i skalowania w miejscu zamiast. To działanie nie jest zagwarantowane do zawsze pracy. Na przykład, jeśli dane nie są tablicą NumPy lub scipy.sparse , kopia może być nadal zwracana. |
num_scaler_with_mean |
Wartość boolowska true (prawda) domyślnie. W przypadku wartości True wyśrodkuj dane przed skalowaniem. Wystąpił wyjątek podczas próby wykonania macierzy rzadkich, ponieważ ich wycentrowanie pociąga za sobą budowanie gęstej matrycy, która w typowych przypadkach użycia prawdopodobnie jest zbyt duża, aby zmieścić się w pamięci. |
num_scaler_with_std |
Wartość boolowska true (prawda) domyślnie. Jeśli wartość True, skaluje dane do wariancji jednostki (lub równoważnej, odchylenia standardowego jednostki). |
use_scaler_flag |
Wartość boolowska wskazująca, że ten transformator jest aktywny. Jeśli wartość False, transformacja (X) powoduje wyjście z wejściowej tablicy numpy X, która nie została zmodyfikowana. Wartością domyślną jest Prawda. |
autoai_libs.transformers.exportable.NumpyPermuteArray()
Zmiana układu kolumn lub wierszy tablicy liczbowej w oparciu o listę indeksów.
Składnia:
autoai_libs.transformers.exportable.NumpyPermuteArray(permutation_indices=None, axis=None)
| Opcja | Opis |
|---|---|
permutation_indices |
Lista indeksów, na podstawie których uporządkowane są kolumny |
axis |
0 permute wzdłuż kolumn. 1 permute wzdłuż wierszy. |
Transformacja składnika
Te metody mają zastosowanie do transformacji elementów opisanych w sekcji Szczegóły implementacjiAutoAI.
autoai_libs.cognito.transforms.transform_utils.TA1(fun, name = None, datatypes = None, feat_constraints=None, tgraph = None, apply_all=True, col_names=None, col_dtypes=None)
W przypadku bezargumentowych funkcji bezstanowych, takich jak kwadrat lub dziennik, należy użyć TA1.
Składnia:
autoai_libs.cognito.transforms.transform_utils.TA1(fun, name=None, datatypes=None, feat_constraints=None, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
| Opcja | Opis |
|---|---|
fun |
wskaźnik funkcji |
name |
nazwa łańcuchowa, która jednoznacznie identyfikuje ten transformator od innych |
datatypes |
Lista typów danych, z których każda jest poprawnym wejściem do funkcji transformatora (numeryczna, zmiennopozycyjna, int itd.) |
feat_constraints |
wszystkie ograniczenia, które muszą być spełnione przez kolumnę, która ma być traktowana jako poprawne dane wejściowe dla tej transformacji |
tgraph |
Obiekt tgraph musi być początkowym obiektem TGraph () . Ten parametr jest opcjonalny i można przekazać wartość Brak, ale może to spowodować błąd w wykrywaniu nieefektywności z powodu braku buforowania. |
apply_all |
używać tylko applyAll = True. Oznacza to, że transformator wylicza wszystkie funkcje (lub zestawy opcji), które spełniają określone kryteria i zastosują udostępnionej funkcji do każdego. |
col_names |
nazwy kolumn składników na liście |
col_dtypes |
Lista typów danych kolumn opcji |
autoai_libs.cognito.transforms.transform_utils.TA2()
W przypadku binarnych funkcji bezstanowych, takich jak suma, produkt, należy użyć TA2.
Składnia:
autoai_libs.cognito.transforms.transform_utils.TA2(fun, name, datatypes1, feat_constraints1, datatypes2, feat_constraints2, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
| Opcja | Opis |
|---|---|
fun |
wskaźnik funkcji |
name: nazwa łańcuchowa, która jednoznacznie identyfikuje ten transformator od innych |
|
datatypes1 |
Lista typów danych, z których każda jest poprawnymi danymi wejściowymi (pierwszy parametr) do funkcji transformatora (liczbowy, zmiennopozycyjny, int itd.) |
feat_constraints1 |
wszystkie ograniczenia, które muszą być spełnione przez kolumnę, która zostanie uznana za poprawne wejście (pierwszy parametr) do tej transformacji |
datatypes2 |
Lista typów danych, z których każda jest poprawnymi danymi wejściowymi (drugi parametr) do funkcji transformatora (liczbowy, zmiennopozycyjny, int itd.) |
feat_constraints2 |
wszystkie ograniczenia, które muszą być spełnione przez kolumnę, która zostanie uznana za poprawne wejście (drugi parametr) do tej transformacji |
tgraph |
Obiekt tgraph musi być wywoływającym TGraph () . Należy zauważyć, że ten parametr jest opcjonalny i można przekazać wartość Brak, ale powoduje to brak nieefektywności z powodu braku buforowania. |
apply_all |
używać tylko applyAll = True. Oznacza to, że transformator wylicza wszystkie funkcje (lub zestawy opcji), które spełniają określone kryteria i zastosują udostępnionej funkcji do każdego. |
col_names |
nazwy kolumn składników na liście |
col_dtypes |
lista typów danych kolumn opcji |
autoai_libs.cognito.transforms.transform_utils.TB1()
Dla nieary transformacje stanowe (z fit/transformacja) używać, takie jak częste liczenie.
Składnia:
autoai_libs.cognito.transforms.transform_utils.TB1(tans_class, name, datatypes, feat_constraints, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
| Opcja | Opis |
|---|---|
tans_class |
klasa, która implementuje interfejs fit( ) i transform( ) zgodnie z definicją funkcji transformacji |
name |
nazwa łańcuchowa, która jednoznacznie identyfikuje ten transformator od innych |
datatypes |
Lista typów danych, z których każdy jest poprawnym wejściem do funkcji transformatora (liczbowy, typu float, int itd.) |
feat_constraints |
wszystkie ograniczenia, które muszą być spełnione przez kolumnę, która ma być traktowana jako poprawne dane wejściowe dla tej transformacji |
tgraph |
Obiekt tgraph musi być wywoływającym TGraph () . Należy zauważyć, że jest to opcjonalne i można przekazać wartość Brak, ale powoduje to brak nieefektywności z powodu braku buforowania. |
apply_all |
używać tylko applyAll = True. Oznacza to, że transformator wylicza wszystkie funkcje (lub zestawy opcji), które spełniają określone kryteria i zastosują udostępnionej funkcji do każdego. |
col_names |
nazwy kolumn składników na liście. |
col_dtypes |
Lista typów danych kolumn opcji. |
autoai_libs.cognito.transforms.transform_utils.TB2()
W przypadku binarnych transformacji stanów (z instalacji/transformacji), takich jak grupowanie wg.
Składnia:
autoai_libs.cognito.transforms.transform_utils.TB2(tans_class, name, datatypes1, feat_constraints1, datatypes2, feat_constraints2, tgraph=None, apply_all=True)
| Opcja | Opis |
|---|---|
tans_class |
klasa, która implementuje dopasowanie () i transformacja () zgodnie z definicją funkcji transformacji |
name |
nazwa łańcuchowa, która jednoznacznie identyfikuje ten transformator od innych |
datatypes1 |
Lista typów danych, z których każda jest poprawnymi danymi wejściowymi (pierwszy parametr) do funkcji transformatora (liczbowy, zmiennopozycyjny, int itd.) |
feat_constraints1 |
wszystkie ograniczenia, które muszą być spełnione przez kolumnę, która zostanie uznana za poprawne wejście (pierwszy parametr) do tej transformacji |
datatypes2 |
Lista typów danych, z których każda jest poprawnymi danymi wejściowymi (drugi parametr) do funkcji transformatora (liczbowy, zmiennopozycyjny, int itd.) |
feat_constraints2 |
wszystkie ograniczenia, które muszą być spełnione przez kolumnę, która zostanie uznana za poprawne wejście (drugi parametr) do tej transformacji |
tgraph |
Obiekt tgraph musi być wywoływającym TGraph () . Ten parametr jest opcjonalny i można przekazać wartość Brak, ale powoduje to brak nieefektywności z powodu braku buforowania. |
apply_all |
używać tylko applyAll = True. Oznacza to, że transformator wylicza wszystkie funkcje (lub zestawy opcji), które spełniają określone kryteria i zastosują udostępnionej funkcji do każdego. |
autoai_libs.cognito.transforms.transform_utils.TAM()
W przypadku transformacji, która ma zastosowanie na poziomie danych, takich jak PCA, należy użyć produktu TAM.
Składnia:
autoai_libs.cognito.transforms.transform_utils.TAM(tans_class, name, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
| Opcja | Opis |
|---|---|
tans_class |
klasa, która implementuje interfejs fit( ) i transform( ) zgodnie z definicją funkcji transformacji |
name |
nazwa łańcuchowa, która jednoznacznie identyfikuje ten transformator od innych |
tgraph |
Obiekt tgraph musi być wywoływającym TGraph () . Ten parametr jest opcjonalny i można przekazać wartość Brak, ale powoduje to brak nieefektywności z powodu braku buforowania. |
apply_all |
używać tylko applyAll = True. Oznacza to, że transformator wylicza wszystkie funkcje (lub zestawy opcji), które spełniają określone kryteria i zastosują udostępnionej funkcji do każdego. |
col_names |
nazwy kolumn składników na liście |
col_dtypes |
Lista typów danych kolumn opcji |
autoai_libs.cognito.transforms.transform_utils.TGen()
Wartość TGen jest ogólnym opakowaniem i może być używana dla większości funkcji (może nie być najbardziej efektywna).
Składnia:
autoai_libs.cognito.transforms.transform_utils.TGen(fun, name, arg_count, datatypes_list, feat_constraints_list, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
| Opcja | Opis |
|---|---|
fun |
wskaźnik funkcji |
name |
nazwa łańcuchowa, która jednoznacznie identyfikuje ten transformator od innych |
arg_count |
Liczba wejść do funkcji, w tym przykładzie jest to 1, dla binarnego, to jest 2, i tak dalej |
datatypes_list |
Lista list arg_count, które odpowiadają akceptowalnym wpisom typów danych dla każdego parametru. W poprzednim przykładzie, ponieważ `arg_count=1``, wynikiem jest jedna lista w obrębie listy zewnętrznej i zawiera on jeden typ o nazwie 'liczbowy'. W innym przypadku może to być konkretny przypadek "int", a nawet bardziej konkretny "int64". |
feat_constraints_list |
Lista list arg_count, które odpowiadają pewnym ograniczeniom, które można narzucać przy wyborze opcji wejściowych |
tgraph |
Obiekt tgraph musi być wywoływającym TGraph () . Należy zauważyć, że ten parametr jest opcjonalny i można przekazać wartość Brak, ale powoduje to brak nieefektywności z powodu braku buforowania. |
apply_all |
używać tylko applyAll = True. Oznacza to, że transformator wylicza wszystkie funkcje (lub zestawy opcji), które spełniają określone kryteria i zastosują udostępnionej funkcji do każdego. |
col_names |
nazwy kolumn składników na liście |
col_dtypes |
lista typów danych kolumn opcji |
autoai_libs.cognito.transforms.transform_utils.FS1()
Wybór składników, typ 1 (przy użyciu korelacji parami między poszczególnymi predykacjami i elementem docelowym).
Składnia:
autoai_libs.cognito.transforms.transform_utils.FS1(cols_ids_must_keep, additional_col_count_to_keep, ptype)
| Opcja | Opis |
|---|---|
cols_ids_must_keep |
numery seryjne kolumn, które muszą być przechowywane bez względu na ich znaczenie dla funkcji |
additional_col_count_to_keep |
jak wiele kolumn musi być zachowanych |
ptype |
klasyfikacja lub regresja |
autoai_libs.cognito.transforms.transform_utils.FS2()
Wybór opcji, typ 2.
Składnia:
autoai_libs.cognito.transforms.transform_utils.FS2(cols_ids_must_keep, additional_col_count_to_keep, ptype, eval_algo)
| Opcja | Opis |
|---|---|
cols_ids_must_keep |
numery seryjne kolumn, które muszą być przechowywane bez względu na ich znaczenie dla funkcji |
additional_col_count_to_keep |
jak wiele kolumn musi być zachowanych |
ptype |
klasyfikacja lub regresja |
Autoai-ts-libs-funkcje
Kombinacja transformatorów i estymatorów jest zaprojektowana i wybrana dla każdego rurociągu za pomocą systemu AutoAI Time Series. Zmiana transformatorów lub estymatorów w wygenerowanym notatniku potoku może spowodować nieoczekiwane rezultaty lub nawet awarię. Nie zalecamy zmiany notatnika dla generowanych rurociągów, dlatego obecnie nie oferujemy specyfikacji funkcji dla biblioteki autoai-ts-libs .
Więcej inform.
Temat nadrzędny: Zapisywanie wygenerowanego notatnika AutoAI