describe-auto-ml-job

Источник данных для канала AutoML.

S3DataSource -> (структура)

Вы можете использовать Gzip или None . Значение по умолчанию — None .

Имя целевой переменной в задачах обучения с учителем, обычно представленной символом «y».

Тип содержимого данных из источника входных данных. Вы можете использовать text/csv;header=present или x-application/vnd.amazon+parquet . Значение по умолчанию — text/csv;header=present .

Тип канала (необязательный) — это enum строка. Значение по умолчанию — training . Каналы для обучения и валидации должны использовать одинаковый ContentType и TargetAttributeName . Информацию о назначении типов каналов обучения и валидации см. в разделе Как указать наборы данных обучения и валидации.

При указании это имя столбца указывает, какой столбец набора данных должен рассматриваться как веса выборок для использования метрикой цели во время обучения, оценки и выбора лучшей модели. Этот столбец не рассматривается как предиктивная функция. Дополнительную информацию о метриках Autopilot см. в разделе Метрики и проверка.

Веса выборок должны быть числовыми, неотрицательными, причем большие значения указывают на то, что строки важнее других. Точки данных с недопустимым или отсутствующим значением веса исключаются.

Поддержка весов выборок доступна только в режиме ансамблирования.

Максимальное количество раз, которое разрешено запускать задачу обучения.

Для типов задач классификации текста и изображений, прогнозирования временных рядов, а также генерации текста (тонкой настройки LLМ) поддерживаемое значение равно 1. Для типов задач с табличными данными максимальное значение равно 750.

Максимальное время в секундах, которое может выполняться каждая задача обучения, выполняемая внутри настройки гиперпараметров, как часть задачи настройки гиперпараметров. Дополнительные сведения см. в разделе StoppingCondition, используемой действием CreateHyperParameterTuningJob.

Для задач V2 (задачи, созданные с помощью вызова CreateAutoMLJobV2 ), это поле управляет временем выполнения кандидата задачи.

Для типов задач TextGenerationJobConfig максимальное время по умолчанию составляет 72 часа (259200 секунд).

Максимальное время выполнения задачи AutoML в секундах.

Если задача AutoML превышает максимальное время выполнения, задача автоматически останавливается, и ее обработка завершается плавно. Задача AutoML определяет лучшую модель, обучение которой было завершено, и помечает ее как лучшую модель. Любые незавершенные шаги задачи, такие как автоматическое развертывание модели Autopilot одним щелчком мыши, не выполняются.

Ключ, используемый для шифрования хранящихся данных.

Использовать ли шифрование трафика между уровнями контейнеров.

Конфигурация VPC.

SecurityGroupIds -> (список)

Subnets -> (список)

URL источника данных Amazon S3, содержащий выбранные функции из входного источника данных для запуска задачи Autopilot. Вы можете ввести FeatureAttributeNames (необязательно) в формате JSON, как показано ниже:

Вы также можете указать тип данных функции (необязательно) в формате, показанном ниже:

В режиме ансамблирования Autopilot поддерживает только следующие типы данных: numeric , categorical , text и datetime . В режиме HPO Autopilot может поддерживать numeric , categorical , text , datetime и sequence .

Если предоставлен только FeatureDataTypes, ключи столбцов (col1 , col2 ,..) должны быть подмножеством имен столбцов в входных данных.

Если предоставлены как FeatureDataTypes, так и FeatureAttributeNames, ключи столбцов должны быть подмножеством имен столбцов, предоставленных в FeatureAttributeNames .

Имя ключа FeatureAttributeNames фиксировано. Значения, перечисленные в ["col1", "col2", ...], чувствительны к регистру и должны быть списком строк, содержащих уникальные значения, которые являются подмножеством имен столбцов в входных данных. Список предоставленных столбцов не должен включать целевой столбец.

Хранит конфигурационную информацию для выбора алгоритмов, обученных на табличных данных.

Список доступных алгоритмов зависит от режима обучения, заданного в ` TabularJobConfig.Mode https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TabularJobConfig.html`__ .

• AlgorithmsConfig не следует устанавливать, если режим обучения установлен на AUTO .
• Когда AlgorithmsConfig предоставлен, один AutoMLAlgorithms атрибут должен быть задан и только один. Если список алгоритмов, предоставленных в качестве значений для AutoMLAlgorithms, пустой, CandidateGenerationConfig использует весь набор алгоритмов для заданного режима обучения.
• Когда AlgorithmsConfig не предоставлен, CandidateGenerationConfig использует весь набор алгоритмов для заданного режима обучения.

Список всех алгоритмов по типу задачи и режиму обучения см. в AutoMLAlgorithmConfig.

Дополнительную информацию о каждом алгоритме см. в разделе Поддержка алгоритмов в руководстве разработчика Autopilot.

(структура)

Доля валидации (необязательно) — это вещественное число, которое указывает часть набора данных обучения, используемую для валидации. Значение по умолчанию — 0,2, а значения должны быть больше 0 и меньше 1. Рекомендуется установить это значение меньше 0,5.

Сообщение, содержащее причину частичного сбоя задачи AutoML.

Тип метрики с лучшим результатом.

Имя метрики с лучшим результатом. Для описания возможных целевых метрик см. AutoMLJobObjective$MetricName .

Значение метрики с лучшим результатом.

Имя стандартной метрики. Для описания стандартных метрик см. Метрики кандидата Autopilot .

Информация о шагах кандидата и на каком шаге он находится.

CandidateStepType -> (строка)

CandidateStepArn -> (строка)

CandidateStepName -> (строка)

Список определений контейнеров, описывающих различные контейнеры, составляющие кандидата AutoML. Дополнительную информацию см. в разделе ContainerDefinition .

Image -> (строка)

ModelDataUrl -> (строка)

Environment -> (массив)

Префикс Amazon S3 для артефактов, сгенерированных для кандидата AutoML.

Explainability -> (строка)

ModelInsights -> (строка)

BacktestResults -> (строка)

Информация о метриках кандидата для задания AutoML.

(структура)

Процессорная единица для контейнера вывода. В настоящее время Autopilot поддерживает только CPU или GPU .

Информация о рекомендуемых определениях контейнеров вывода.

(структура)

Имя целевой метрики, используемой для измерения качества прогнозирования системы машинного обучения. Во время обучения параметры модели обновляются итеративно, чтобы оптимизировать её производительность на основе обратной связи, предоставляемой целевой метрикой при оценке модели на проверочном наборе данных.

Список доступных метрик, поддерживаемых Autopilot, и метрика по умолчанию, применяемая, когда вы явно не указываете имя метрики, зависят от типа задачи.

• Для задач с табличными данными:

  • Список доступных метрик:
    • Регрессия: MAE , MSE , R2 , RMSE
    • Бинарная классификация: Accuracy , AUC , BalancedAccuracy , F1 , Precision , Recall
    • Многоклассовая классификация: Accuracy , BalancedAccuracy , F1macro , PrecisionMacro , RecallMacro

  Для описания каждой метрики см. Метрики Autopilot для классификации и регрессии .

  • Метрики цели по умолчанию:
    • Регрессия: MSE .
    • Бинарная классификация: F1 .
    • Многоклассовая классификация: Accuracy .

• Для задач классификации изображений или текста:

  • Список доступных метрик: Accuracy Для описания каждой метрики см. Метрики Autopilot для текстовой и изобразительной классификации .
  • Метрики цели по умолчанию: Accuracy

• Для задач прогнозирования временных рядов:

  • Список доступных метрик: RMSE , wQL , Average wQL , MASE , MAPE , WAPE Для описания каждой метрики см. Метрики Autopilot для прогнозирования временных рядов .
  • Метрики цели по умолчанию: AverageWeightedQuantileLoss

• Для задач генерации текста (тонкая настройка LLMs): Для тонкой настройки языковых моделей в Autopilot нет необходимости устанавливать поле AutoMLJobObjective . Autopilot выполняет тонкую настройку LLMs без необходимости обучения и оценки нескольких кандидатов. Вместо этого, используя ваш набор данных, Autopilot напрямую выполняет тонкую настройку вашей целевой модели для улучшения метрики цели по умолчанию — кросс-энтропии потерь. После тонкой настройки языковой модели вы можете оценить качество сгенерированного текста, используя различные метрики. Для списка доступных метрик см. Метрики для тонкой настройки LLMs в Autopilot .

Максимальное количество запусков задания обучения.

Для задач классификации текста и изображений, прогнозирования временных рядов, а также генерации текста (тонкая настройка LLMs), поддерживаемое значение равно 1. Для задач с табличными данными максимальное значение равно 750.

Максимальное время (в секундах), которое может выполняться каждое задание обучения, выполняемое внутри настройки гиперпараметров, как часть задания настройки гиперпараметров. Дополнительную информацию см. в разделе StoppingCondition, используемом действием CreateHyperParameterTuningJob.

Для заданий V2 (заданий, созданных с помощью вызова CreateAutoMLJobV2 ), это поле управляет временем выполнения кандидата задания.

Для задач типа TextGenerationJobConfig максимальное время по умолчанию составляет 72 часа (259200 секунд).

Максимальное время выполнения задания AutoML в секундах.

Если задание AutoML превышает максимальное время выполнения, задание останавливается автоматически, и его обработка завершается корректно. Задание AutoML определяет лучшую модель, обучение которой было завершено, и отмечает её как лучшую по производительности модель. Любые незавершенные шаги задания, такие как автоматическое развертывание модели Autopilot одним щелчком мыши, не завершаются.