Docs
...
AutoAI library

Python 용 AutoAI 라이브러리

마지막 업데이트 날짜: 2025년 3월 20일
Python 용 AutoAI 라이브러리

Python 용 autoai-lib 라이브러리에는 IBM watsonx.ai 런타임 AutoAI 실험과 상호 작용하는 데 도움이 되는 함수 집합이 포함되어 있습니다. autoai-lib 라이브러리를 사용하면 파이프라인 작성 시 발생하는 데이터 변환을 검토하고 편집할 수 있습니다. 마찬가지로 autoai-ts-libs 라이브러리를 사용하여 시계열 실험을 위한 파이프라인 노트북과 상호작용할 수 있습니다.

Python 에 대한 autoai-lib 또는 autoai-ts-libs 설치

사용자 정의 라이브러리 설치 의 지시사항에 따라 autoai-lib 또는 autoai-ts-libs를 설치하십시오.

Python에 대한 autoai-lib 및 autoai-ts-libs 사용

autoai-lib 및 autoai-ts-libs 라이브러리( Python )에는 AutoAI 실험과 상호 작용하는 데 도움이 되는 기능이 포함되어 있습니다. autoai-lib 라이브러리를 사용하여 분류 및 회귀 파이프라인 작성 시 발생하는 데이터 변환을 검토하고 편집할 수 있습니다. autoai-ts-libs 라이브러리를 사용하여 시계열 (예측) 파이프라인 작성 시 발생하는 데이터 변환을 검토할 수 있습니다.

Python 에 대한 autoai-lib 및 autoai-ts-libs 설치

사용자 정의 라이브러리 설치의 지침에 따라 autoai-lib 및 autoai-ts-lib를 설치합니다.

라이브러리 레벨 로깅 구성

사용자의 요구사항에 맞게 라이브러리 로거 autoai_libs 를 구성할 수 있습니다. 예를 들어, 핸들러를 정의 및 첨부하거나 필터를 구성하여 경고 및 오류 처리와 같은 로그 세부사항을 사용자 정의할 수 있습니다.

구성을 업데이트하지 않으면 로깅에 대한 기본 동작을 얻게 됩니다. 예를 들어, 심각도 경고 이상 (경고, 오류 및 위험) 의 메시지는 특별한 형식 없이 stderr (표준 오류) 에 인쇄됩니다. 예를 들어, 경고 메시지는 특수 형식이 없는 WARNING 으로 표시됩니다. 로깅을 구성하는 방법에 대한 자세한 내용과 예제를 보려면 autoai-lib 설명서를 참조하세요.

autoai-lib 기능

autoai-lib 라이브러리를 가져온 후 작성되는 인스턴스화된 프로젝트 오브젝트는 다음 기능을 노출합니다.

autoai_libs.transformers.exportable.NumpyColumnSelector()

numpy 배열의 열 서브세트를 선택합니다.

사용법:

autoai_libs.transformers.exportable.NumpyColumnSelector(columns=None)
옵션 설명
컬럼 선택할 컬럼 인덱스 목록

autoai_libs.transformers.exportable.CompressStrings()

입력 numpy 배열 X의 문자열 열에서 공백 및 특수 문자를 제거합니다.

사용법:

autoai_libs.transformers.exportable.CompressStrings(compress_type='string', dtypes_list=None, misslist_list=None, missing_values_reference_list=None, activate_flag=True)
옵션 설명
compress_type 문자열 압축의 유형. 'string' 은 문자열에서 공백을 제거하고 'hash' 는 int 해시를 작성합니다. 기본값은 'string' 입니다. 'hash' 는 문자열이 있는 열에 사용되며 cat_imp_strategy = ' most_빈번함 '
dtypes_list (문자열은 'char_str', 'int_str', 'float_str', 'float_num', 'float_int_num', 'int_num','boolean', 'Unknown' 중 하나임) 입력 numpy 배열 X의 각 열의 유형을 나타내는 문자열을 포함하는 목록입니다. 없음인 경우 열 유형을 검색합니다. 기본값은 없음입니다.
misslist_list 목록에는 입력 numpy 배열 X의 각 컬럼에 대한 누락된 값 목록이 포함되어 있습니다. 없는 경우 각 컬럼의 누락된 값이 발견됩니다. 기본값은 없음입니다.
missing_values_reference_list 입력 numpy 배열 X에 있는 누락값의 참조 목록
activate_flag 이 변환기가 활성 상태임을 표시하는 플래그입니다. false이면 transform(X)는 수정하지 않은 상태로 입력 numpy 배열 X를 출력합니다.

autoai_libs.transformers.exportable.NumpyReplaceMissingValues()

numpy 배열과 누락값의 참조 목록이 제공되면 누락값을 특수 값으로 대체합니다(일반적으로 np.nan과 같은 특수 누락값).

사용법:

autoai_libs.transformers.exportable.NumpyReplaceMissingValues(missing_values, filling_values=np.nan)
옵션 설명
missing_values 누락값의 참조 목록
filling_values 알 수 없는 값에 지정된 특수 값

autoai_libs.transformers.exportable.NumpyReplaceUnknownValues()

numpy 배열과 각 열에 대해 알려진 값의 참조 목록이 주어지면 특수 값(일반적으로 np.nan)으로 참조 목록의 파트가 아닌 값을 대체합니다. 이 방법은 일반적으로 훈련 데이터 세트의 해당 열에 표시되지 않은 테스트 데이터 세트의 열에 대한 레이블을 제거하는 데 사용됩니다.

사용법:

autoai_libs.transformers.exportable.NumpyReplaceUnknownValues(known_values_list=None, filling_values=None, missing_values_reference_list=None)
옵션 설명
known_values_list 각 열의 알려진 값 목록의 참조 목록
filling_values 알 수 없는 값에 지정된 특수 값
missing_values_reference_list 누락값의 참조 목록

autoai_libs.transformers.exportable.boolean2float()

NumPy 부울 배열을 부동 소수점 배열로 변환하여 누락된 값을 1로 바꿉니다. 또한 배열 유형을 '오브젝트' 에서 '부동' 으로 변경합니다.

사용법:

autoai_libs.transformers.exportable.boolean2float(activate_flag=True)
옵션 설명
activate_flag 이 변환기가 활성 상태임을 표시하는 플래그입니다. false이면 transform(X)는 수정하지 않은 상태로 입력 numpy 배열 X를 출력합니다.

autoai_libs.transformers.exportable.CatImputer()

이 변환기는 범주형 대체자의 랩퍼입니다. 내부적으로 현재 sklearn  SimpleImputer를 사용합니다.

사용법:

autoai_libs.transformers.exportable.CatImputer(strategy, missing_values, sklearn_version_family=global_sklearn_version_family, activate_flag=True)
옵션 설명
strategy 문자열, 선택사항, 기본값=”mean”. 결측값에 대한 대체 전략.
-mean: 각 열의 평균을 사용하여 대체합니다. 숫자 데이터에만 사용할 수 있습니다.
- median: 각 열의 중앙값을 사용하여 대체합니다. 숫자 데이터에만 사용할 수 있습니다.
- most_frequent: 각 열에서 가장 자주 사용되는 값을 사용하여 대체합니다. 문자열 또는 숫자 데이터와 함께 사용됩니다.
- constant: fill_value로 대체합니다. 문자열 또는 숫자 데이터와 사용할 수 있습니다.
missing_values 숫자, 문자열, np.nan(기본값) 또는 없음. 누락값을 위한 플레이스홀더입니다. missing_values의 모든 발생이 대체됩니다.
sklearn_version_family 버전 019 및 020dev와의 역호환성을 위한 sklearn 버전을 나타내는 문자열. 현재 사용되지 않습니다. 기본값은 없음입니다.
activate_flag 이 변환기가 활성 상태임을 표시하는 플래그입니다. false이면 transform(X)는 수정하지 않은 상태로 입력 numpy 배열 X를 출력합니다.

autoai_libs.transformers.exportable.CatEncoder()

이 메소드는 범주형 인코더에 대한 랩퍼입니다. 인코딩 매개변수가 'ordinal'인 경우, 내부적으로는 현재 sklearn OrdinalEncoder를 사용합니다. 인코딩 파라미터가 내부적으로 'onehot' 또는 'onehot-dense'인 경우 sklearn OneHotEncoder 사용합니다

사용법:

autoai_libs.transformers.exportable.CatEncoder(encoding, categories, dtype, handle_unknown, sklearn_version_family=global_sklearn_version_family, activate_flag=True)
옵션 설명
encoding str, 'onehot', 'onehot-dense' 또는 'ordinal' 사용할 인코딩 유형 (기본값은 'ordinal')
'onehot': one-hot aka one-of-K 스킴 (또는 'dummy' 인코딩) 을 사용하여 기능을 인코딩하십시오. 이 인코딩은 각 범주에 대한 2진 열을 작성하고 희소 행렬을 리턴합니다.
'onehot-dense': 'onehot' 과 동일하지만 희소 행렬 대신 밀집 배열을 리턴합니다.
'ordinal': 기능을 순서 정수로 인코딩합니다. 결과는 기능당 정수 (0-n_categories-1) 의 단일 열입니다.
categories 'auto' 또는 값의 목록/배열 목록입니다. 기능별 카테고리 (고유 값):
'auto': 훈련 데이터에서 자동으로 카테고리 판별
list : categories[i] 는 i열에서 예상되는 카테고리를 보유합니다. 전달된 범주는 정렬되어야 하며 문자열과 숫자 값을 혼합할 수 없습니다. 사용된 카테고리는 encoder.categories_ 속성에서 찾을 수 있습니다.
dtype 숫자 유형으로, 기본값은 np.float64입니다. 출력으로 원하는 dtype입니다.
handle_unknown 'error'(기본값) 또는 'ignore'입니다. 변환 도중 알 수 없음 카테고리 기능이 있는 경우 오류를 발생시키는지 또는 무시하는지 여부(기본값은 발생). 이 매개변수가 '무시' 로 설정되고 변환 중에 알 수 없는 카테고리가 발견되면 이 기능에 대한 결과로 생성되는 자주 사용되는 인코딩된 열은 모두 0입니다. 역변환에서 알 수 없는 범주는 없음으로 표시됩니다. 알 수 없는 카테고리를 무시하는 것은 encoding='ordinal'에 대해 지원되지 않습니다.
sklearn_version_family 버전 019 및 020dev와의 역호환성을 위한 sklearn 버전을 나타내는 문자열. 현재 사용되지 않습니다. 기본값은 없음입니다.
activate_flag 이 변환기가 활성 상태임을 표시하는 플래그입니다. false이면 transform(X)는 수정하지 않은 상태로 입력 numpy 배열 X를 출력합니다.

autoai_libs.transformers.exportable.float32_transform()

float64 numpy 배열을 float32로 변환합니다.

사용법:

autoai_libs.transformers.exportable.float32_transform(activate_flag=True)
옵션 설명
activate_flag 이 변환기가 활성 상태임을 표시하는 플래그입니다. false이면 transform(X)는 수정하지 않은 상태로 입력 numpy 배열 X를 출력합니다.

autoai_libs.transformers.exportable.FloatStr2Float()

열의 유형을 나타내는 dmpy 배열 X와 dtypes_list를 고려하면, floats를 나타내는 문자열(dtypes_list에 있는 'float _str' 유형)의 열을 floats의 열로 대체하고 누락된 값을 np.nan으로 대체합니다.

사용법:

autoai_libs.transformers.exportable.FloatStr2Float(dtypes_list, missing_values_reference_list=None, activate_flag=True)
옵션 설명
dtypes_list 목록에는 입력 numpy 배열 X의 각 열 유형을 나타내는 문자열이 포함되어 있습니다 (문자열은 'char_str', 'int_str', 'float_str', 'float_num', 'float_int_num', 'int_num', 'Boolean', 'Unknown').
missing_values_reference_list 누락값의 참조 목록
activate_flag 이 변환기가 활성 상태임을 표시하는 플래그입니다. false이면 transform(X)는 수정하지 않은 상태로 입력 numpy 배열 X를 출력합니다.

autoai_libs.transformers.exportable.NumImputer()

이 메소드는 숫자 대치를 위한 랩퍼입니다.

사용법:

autoai_libs.transformers.exportable.NumImputer(strategy, missing_values, activate_flag=True)
옵션 설명
strategy num_imp_strategy: string, optional (기본값 = mean). 대치 전략:
- "평균인 경우 축에 있는 평균을 사용하여 결측값을 대체합니다.
-" 중위수인 경우 축에 있는 중위수를 사용하여 결측값을 대체합니다.
- " most_빈도값인 경우 축에 있는 가장 자주 사용되는 값을 사용하여 결측값을 대체합니다.
missing_values 정수 또는 “NaN”, 선택사항(기본값=”NaN”). 누락값을 위한 플레이스홀더입니다. Missing_values의 모든 발생이 전치됩니다
np.nan 인코딩된 누락 값의 경우 문자열 값 “NaN”을 사용합니다
activate_flag: 이 변환기가 활성 상태임을 나타내는 플래그입니다. false이면 transform(X)는 수정하지 않은 상태로 입력 numpy 배열 X를 출력합니다.

autoai_libs.transformers.exportable.OptStandardScaler()

이 매개변수는 숫자 변수의 배율을 조정하기 위한 랩퍼입니다. 현재는 내부적으로 sklearn StandardScaler를 사용합니다.

사용법:

autoai_libs.transformers.exportable.OptStandardScaler(use_scaler_flag=True, num_scaler_copy=True, num_scaler_with_mean=True, num_scaler_with_std=True)
옵션 설명
num_scaler_copy 부울, 선택사항, 기본값 True. False인 경우 복사를 피하고 대신 제위치에서 스케일링을 수행합니다. 이 조치는 항상 작동하지 않습니다. 예를 들어, 인플레이스에서 데이터가 NumPy 배열 또는 scipy.sparse CSR 매트릭스가 아닌 경우 사본이 여전히 리턴될 수 있습니다.
num_scaler_with_mean 부울, 기본값 True. True인 경우 스케일링 전 데이터를 중심에 배치합니다. 희소 행렬을 중심으로 하면 밀집 행렬을 빌드해야 하므로 희소 행렬에서 시도할 때 예외가 발생합니다. 일반적으로 이 행렬은 메모리에 맞추기에는 너무 커질 수 있습니다.
num_scaler_with_std 부울, 기본값 True. True인 경우 단위 변량(또는 동등하게 단위 표준 편차)으로 데이터를 스케일링합니다.
use_scaler_flag 부울. 이 변환기가 활성 상태임을 표시하는 플래그입니다. false이면 transform(X)는 수정하지 않은 상태로 입력 numpy 배열 X를 출력합니다. 기본값은 True입니다.

autoai_libs.transformers.exportable.NumpyPermuteArray()

인덱스 목록을 기반으로 하여 숫자 배열의 열 또는 행을 재배열합니다.

사용법:

autoai_libs.transformers.exportable.NumpyPermuteArray(permutation_indices=None, axis=None)
옵션 설명
permutation_indices 재배열되는 컬럼을 기반으로 하는 인덱스 목록
axis 0은 열을 따라 음소거됩니다. 1은 행을 따라 음소거됩니다.

기능 변환

이러한 메소드는 AutoAI 구현 세부 사항에 설명된 기능 변환에 적용됩니다.

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)

정사각형 또는 로그와 같은 단항 Stateless 함수의 경우 TA1을 사용하십시오.

사용법:

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)
옵션 설명
fun 함수 포인터
name 다른 변환기로부터 이 변환기를 고유하게 식별하는 문자열 이름.
datatypes 변환기 함수에 대한 유효한 입력인 데이터 유형 목록 (숫자, 부동 소수점, 정수 등)
feat_constraints 이 변환에 대한 유효한 입력으로 간주되기 위해 열에 의해 충족되어야 하는 모든 제한조건
tgraph tgraph 오브젝트는 시작 TGraph () 여야 합니다. 오브젝트 이 매개변수는 선택사항이며 없음을 전달할 수 있지만, 이로 인해 캐싱 부족으로 인해 일부 비효율성을 발견하는 데 실패할 수 있습니다.
apply_all applyAll = True만 사용하십시오. 이는 변환기가 지정된 기준과 일치하는 모든 기능 (또는 기능 세트) 을 열거하고 제공된 기능을 각각에 적용함을 의미합니다.
col_names 목록에 있는 기능 열의 이름
col_dtypes 기능 열의 데이터 유형 목록

autoai_libs.cognito.transforms.transform_utils.TA2()

sum, product와 같은 2항 stateless 함수의 경우 TA2를 사용하십시오.

사용법:

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)
옵션 설명
fun 함수 포인터
name: 다른 사용자로부터 이 변환기를 고유하게 식별하는 문자열 이름
datatypes1 변환기 함수에 대한 유효한 입력 (첫 번째 매개변수) 인 데이터 유형 목록 (numeric, float, int등)
feat_constraints1 이 변환에 대한 유효한 입력 (첫 번째 매개변수) 으로 간주되기 위해 컬럼이 충족해야 하는 모든 제한조건
datatypes2 변환기 함수에 대한 유효한 입력 (두 번째 매개변수) 인 데이터 유형 목록 (숫자, 부동 소수점, int등)
feat_constraints2 이 변환에 대한 유효한 입력 (두 번째 매개변수) 으로 간주되기 위해 열에 의해 충족되어야 하는 모든 제한조건
tgraph tgraph 오브젝트는 호출 TGraph () 여야 합니다. 오브젝트 이 매개변수는 선택적이며 없음을 전달할 수 있지만, 이로 인해 캐싱 부족으로 인해 일부 비효율성이 누락될 수 있습니다.
apply_all applyAll = True만 사용하십시오. 이는 변환기가 지정된 기준과 일치하는 모든 기능 (또는 기능 세트) 을 열거하고 제공된 기능을 각각에 적용함을 의미합니다.
col_names 목록에 있는 기능 열의 이름
col_dtypes 기능 컬럼의 데이터 유형 목록

autoai_libs.cognito.transforms.transform_utils.TB1()

자주 사용하는 수와 같이 단항 state 기반 변환(fit/transform과 함께)의 경우 사용합니다.

사용법:

autoai_libs.cognito.transforms.transform_utils.TB1(tans_class, name, datatypes, feat_constraints, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
옵션 설명
tans_class 변환 함수 정의에 따라 fit( ) 및 transform( ) 를 구현하는 클래스
name 다른 변환기로부터 이 변환기를 고유하게 식별하는 문자열 이름.
datatypes 변환기 함수에 대한 유효한 입력인 데이터 유형 목록 (숫자, 부동, 정수 등)
feat_constraints 이 변환에 대한 유효한 입력으로 간주되기 위해 열에 의해 충족되어야 하는 모든 제한조건
tgraph tgraph 오브젝트는 호출 TGraph () 여야 합니다. 오브젝트 이는 선택사항이며 없음을 전달할 수 있지만, 이로 인해 캐싱 부족으로 인해 일부 비효율성이 누락될 수 있습니다.
apply_all applyAll = True만 사용하십시오. 이는 변환기가 지정된 기준과 일치하는 모든 기능 (또는 기능 세트) 을 열거하고 제공된 기능을 각각에 적용함을 의미합니다.
col_names 목록에 있는 기능 열 이름.
col_dtypes 기능 컬럼의 데이터 유형 목록을 표시합니다.

autoai_libs.cognito.transforms.transform_utils.TB2()

group-by와 같이 2진 state 기반 변환(fit/transform과 함께)의 경우 사용합니다.

사용법:

autoai_libs.cognito.transforms.transform_utils.TB2(tans_class, name, datatypes1, feat_constraints1, datatypes2, feat_constraints2, tgraph=None, apply_all=True)
옵션 설명
tans_class 변환 함수 정의에 따라 fit( ) 및 transform( )을 구현하는 클래스
name 다른 변환기로부터 이 변환기를 고유하게 식별하는 문자열 이름.
datatypes1 변환기 함수에 대한 유효한 입력 (첫 번째 매개변수) 인 데이터 유형 목록 (숫자, 부동 소수점, 정수 등)
feat_constraints1 이 변환에 대한 유효한 입력 (첫 번째 매개변수) 으로 간주되기 위해 컬럼이 충족해야 하는 모든 제한조건
datatypes2 변환기 함수에 대한 유효한 입력 (두 번째 매개변수) 인 데이터 유형 목록 (숫자, 부동 소수점, int등)
feat_constraints2 이 변환에 대한 유효한 입력 (두 번째 매개변수) 으로 간주되기 위해 열에 의해 충족되어야 하는 모든 제한조건
tgraph tgraph 오브젝트는 호출 TGraph () 여야 합니다. 오브젝트 이 매개변수는 선택사항이며 없음을 전달할 수 있지만, 이로 인해 캐싱 부족으로 인해 일부 비효율성이 누락될 수 있습니다.
apply_all applyAll = True만 사용하십시오. 이는 변환기가 지정된 기준과 일치하는 모든 기능 (또는 기능 세트) 을 열거하고 제공된 기능을 각각에 적용함을 의미합니다.

autoai_libs.cognito.transforms.transform_utils.TAM()

PCA와 같은 데이터 레벨에서 적용하는 변환읭 경우 TAM을 사용하십시오.

사용법:

autoai_libs.cognito.transforms.transform_utils.TAM(tans_class, name, tgraph=None, apply_all=True, col_names=None, col_dtypes=None)
옵션 설명
tans_class 변환 함수 정의에 따라 fit( ) 및 transform( ) 를 구현하는 클래스
name 다른 변환기로부터 이 변환기를 고유하게 식별하는 문자열 이름.
tgraph tgraph 오브젝트는 호출 TGraph () 여야 합니다. 오브젝트 이 매개변수는 선택적이며 없음을 전달할 수 있지만 캐싱 부족으로 인해 일부 비효율성이 발생합니다.
apply_all applyAll = True만 사용하십시오. 이는 변환기가 지정된 기준과 일치하는 모든 기능 (또는 기능 세트) 을 열거하고 제공된 기능을 각각에 적용함을 의미합니다.
col_names 목록에 있는 기능 열의 이름
col_dtypes 기능 열의 데이터 유형 목록

autoai_libs.cognito.transforms.transform_utils.TGen()

TGen은 일반 랩퍼이며 대부분의 기능에 사용할 수 있습니다 (가장 효율적이지는 않을 수 있음).

사용법:

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)
옵션 설명
fun 함수 포인터
name 다른 변환기로부터 이 변환기를 고유하게 식별하는 문자열 이름.
arg_count 함수에 대한 입력 수. 이 예에서는 1이고 2진의 경우 2입니다.
datatypes_list 각 매개변수에 대해 허용 가능한 입력 데이터 유형에 해당하는 arg_count 목록으로 구성되는 목록. 이전 예제에서 `arg_count=1``이후 결과는 외부 목록 내의 하나의 목록이며 'numeric' 이라고 하는 단일 유형을 포함합니다. 다른 경우에는 특정 케이스 'int' 또는 더 구체적인 'int64' 일 수 있습니다.
feat_constraints_list 상기 입력 특징들의 선택에 부과될 수 있는 일부 제약들에 대응하는 arg_count 리스트들의 리스트
tgraph tgraph 오브젝트는 호출 TGraph () 여야 합니다. 오브젝트 이 매개변수는 선택적이며 없음을 전달할 수 있지만, 이로 인해 캐싱 부족으로 인해 일부 비효율성이 누락될 수 있습니다.
apply_all applyAll = True만 사용하십시오. 이는 변환기가 지정된 기준과 일치하는 모든 기능 (또는 기능 세트) 을 열거하고 제공된 기능을 각각에 적용함을 의미합니다.
col_names 목록에 있는 기능 열의 이름
col_dtypes 기능 컬럼의 데이터 유형 목록

autoai_libs.cognito.transforms.transform_utils.FS1()

기능 선택사항. 유형 1(각 기능과 대상 사이에서 쌍방향 상관 사용)

사용법:

autoai_libs.cognito.transforms.transform_utils.FS1(cols_ids_must_keep, additional_col_count_to_keep, ptype)
옵션 설명
cols_ids_must_keep 기능 중요도에 관계없이 반드시 보관해야 하는 열의 일련 번호
additional_col_count_to_keep 보유해야 하는 열 수
ptype 분류 또는 회귀

autoai_libs.cognito.transforms.transform_utils.FS2()

기능 선택, 유형 2.

사용법:

autoai_libs.cognito.transforms.transform_utils.FS2(cols_ids_must_keep, additional_col_count_to_keep, ptype, eval_algo)
옵션 설명
cols_ids_must_keep 기능 중요도에 관계없이 반드시 보관해야 하는 열의 일련 번호
additional_col_count_to_keep 보유해야 하는 열 수
ptype 분류 또는 회귀

autoai-ts-libs 함수

변환기와 추정기의 조합은 AutoAI 시계열 시스템에 의해 각 파이프라인에 대해 설계되고 선택됩니다. 생성된 파이프라인 노트북의 변환기 또는 평가자를 변경하면 예기치 않은 결과 또는 장애가 발생할 수 있습니다. 생성된 파이프라인에 대한 노트북을 변경하지 않는 것이 좋습니다. 따라서 현재 autoai-ts-libs 라이브러리에 대한 함수의 스펙을 제공하지 않습니다.

자세히 알아보기

AutoAI 모델 선택

상위 주제: AutoAI 생성 노트북 저장