Конечные точки обучения лазурной машины с разным количеством столбцов

Question

Я хотел бы автоматически настроить конечные точки обучения Azure, которые не обязательно имеют одинаковое количество переменных. Я могу программно добавлять новые конечные точки, которые обучаются по разным данным, если у них одинаковые имена столбцов и переменных (заголовки).

Когда я пытаюсь создать новую конечную точку с использованием другого столбца, это работает. Но когда я пытаюсь это назвать, это дает мне ошибки.

Я установил эксперимент, в котором конечная точка по умолчанию принимает два параметра «x» и «y». Затем я обучил его набору данных с использованием трех столбцов «x1», «x2» и «y». Модуль В «модели поезда» в учебном эксперименте выбрать из колонны 1.

Вызова конечной точки, которая обучается с использованием трех переменных с тремя входными столбцами:

{ 
"error": { 
    "code": "LibraryExecutionError", 
    "message": "Module execution encountered an internal library error.", 
    "details": [ 
     { 
      "code": "TableSchemaColumnCountMismatch", 
      "target": " (AFx Library)", 
      "message": "data: The table column count (3) must match the schema column count (2)." 
     } 
    ] 
} 

}

Вызовом конечной точки была обучена с использованием трех переменных с ONY два входных столбцов:

{ 
"error": { 
    "code": "LibraryExecutionError", 
    "message": "Module execution encountered an internal library error.", 
    "details": [ 
     { 
      "code": "ScoredFeaturesMustMatchTrainingFeatures", 
      "target": "Score Model (AFx Library)", 
      "message": "table: The data set being scored must contain all features used during training, missing feature(s): 'x2'." 
     } 
    ] 
} 

}

Кажется, что он помнит настройку конечной точки по умолчанию и ожидает, что все остальные конечные точки будут соответствовать ее метаданным. Есть ли способ обойти это?

Answer 1

Azure machine learning ожидает, что данные будут работать.
Например, predictive experiment использует данные тренировки. Модель оценки ожидает все столбцы, включая столбец для оценки (x1).

Когда вы прогнозируете, что x1 неизвестно, поэтому вы не хотите его включать, при выборе строки столбцов я удалял x1. Модель оценки больше не ожидает x1.