Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Buat Pekerjaan Regresi atau Klasifikasi untuk Data Tabular Menggunakan API AutoML
Anda dapat membuat regresi Autopilot atau pekerjaan klasifikasi untuk data tabular secara terprogram dengan memanggil tindakan CreateAutoMLJobV2 API dalam bahasa apa pun yang didukung oleh Autopilot atau. AWS CLI Berikut ini adalah kumpulan parameter permintaan masukan wajib dan opsional untuk tindakan CreateAutoMLJobV2 API. Anda dapat menemukan informasi alternatif untuk versi sebelumnya dari tindakan ini,CreateAutoMLJob. Namun, kami sarankan menggunakanCreateAutoMLJobV2.
Untuk informasi tentang bagaimana tindakan API ini diterjemahkan menjadi fungsi dalam bahasa pilihan Anda, lihat bagian Lihat Juga CreateAutoMLJobV2 dan pilih SDK. Sebagai contoh, untuk pengguna Python, lihat sintaks permintaan lengkap create_auto_ml_job_v2 di AWS SDK for Python (Boto3).
CreateAutoMLJobV2dan DescribeAutoMLJobV2 merupakan versi baru CreateAutoMLJob dan DescribeAutoMLJob yang menawarkan kompatibilitas mundur.
Kami merekomendasikan menggunakanCreateAutoMLJobV2. CreateAutoMLJobV2dapat mengelola jenis masalah tabular yang identik dengan versi sebelumnyaCreateAutoMLJob, serta jenis masalah non-tabular seperti klasifikasi gambar atau teks, atau perkiraan deret waktu.
Minimal, semua eksperimen pada data tabular memerlukan spesifikasi nama percobaan, menyediakan lokasi untuk data input dan output, dan menentukan data target mana yang akan diprediksi. Secara opsional, Anda juga dapat menentukan jenis masalah yang ingin Anda pecahkan (regresi, klasifikasi, klasifikasi multiclass), pilih strategi pemodelan Anda (ansambel bertum puk atau optimasi hyperparameter), pilih daftar algoritma yang digunakan oleh pekerjaan Autopilot untuk melatih data, dan banyak lagi.
Setelah percobaan berjalan, Anda dapat membandingkan uji coba dan mempelajari detail langkah-langkah pra-pemrosesan, algoritma, dan rentang hyperparameter dari setiap model. Anda juga memiliki opsi untuk mengunduh laporan penjelasan dan kinerja mereka. Gunakan buku catatan yang disediakan untuk melihat hasil eksplorasi data otomatis atau definisi model kandidat.
Temukan panduan tentang cara memigrasi CreateAutoMLJob ke CreateAutoMLJobV2 dalamMigrasikan a CreateAutoMLJob ke CreateAutoMLJobV2.
Parameter yang diperlukan
- CreateAutoMLJobV2
-
Saat memanggil CreateAutoMLJobV2 untuk membuat eksperimen Autopilot untuk data tabular, Anda harus memberikan nilai berikut:
-
A AutoMLJobName untuk menentukan nama pekerjaan Anda.
-
Setidaknya satu AutoMLJobChannel masuk AutoMLJobInputDataConfig untuk menentukan sumber data Anda.
-
Baik AutoMLJobObjective metrik maupun jenis masalah pembelajaran terawasi pilihan Anda (klasifikasi biner, klasifikasi multiclass, regresi) dalamAutoMLProblemTypeConfig, atau tidak sama sekali. Untuk data tabular, Anda harus memilih TabularJobConfig sebagai jenisAutoMLProblemTypeConfig. Anda mengatur masalah pembelajaran yang diawasi di ProblemType atributTabularJobConfig.
-
An OutputDataConfig untuk menentukan jalur keluaran Amazon S3 untuk menyimpan artefak pekerjaan AutoML Anda.
-
A RoleArn untuk menentukan ARN dari peran yang digunakan untuk mengakses data Anda.
- CreateAutoMLJob
-
Saat memanggil CreateAutoMLJob untuk membuat eksperimen AutoML, Anda harus memberikan empat nilai berikut:
-
A AutoMLJobName untuk menentukan nama pekerjaan Anda.
-
Setidaknya satu AutoMLChannel masuk InputDataConfig untuk menentukan sumber data Anda.
-
An OutputDataConfig untuk menentukan jalur keluaran Amazon S3 untuk menyimpan artefak pekerjaan AutoML Anda.
-
A RoleArn untuk menentukan ARN dari peran yang digunakan untuk mengakses data Anda.
Semua parameter lainnya adalah opsional.
Parameter opsional
Bagian berikut memberikan rincian beberapa parameter opsional yang dapat Anda sampaikan ke tindakan CreateAutoMLJobV2 API saat menggunakan data tabular. Anda dapat menemukan informasi alternatif untuk versi sebelumnya dari tindakan ini,CreateAutoMLJob. Namun, kami sarankan menggunakanCreateAutoMLJobV2.
Untuk data tabular, kumpulan algoritma yang dijalankan pada data Anda untuk melatih kandidat model Anda tergantung pada strategi pemodelan Anda (ENSEMBLINGatauHYPERPARAMETER_TUNING). Berikut ini rincian cara mengatur mode pelatihan ini.
Jika Anda tetap kosong (ataunull), Mode disimpulkan berdasarkan ukuran dataset Anda.
Untuk informasi tentang ansambel bertum puk Autopilot dan metode pelatihan pengoptimalan hyperparameter, lihat Mode pelatihan dan dukungan algoritma
- CreateAutoMLJobV2
-
Untuk data tabular, Anda harus memilih TabularJobConfig sebagai jenisAutoMLProblemTypeConfig.
Anda dapat mengatur metode https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html pelatihan pekerjaan AutoML V2 dengan TabularJobConfig.Mode parameter.
- CreateAutoMLJob
-
Anda dapat mengatur metode https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-model-support-validation.html pelatihan pekerjaan AutoML dengan AutoMLJobConfig.Mode parameter.
Pilihan fitur
Autopilot menyediakan langkah-langkah prapemrosesan data otomatis termasuk pemilihan fitur dan ekstraksi fitur. Namun, Anda dapat secara manual menyediakan fitur yang akan digunakan dalam pelatihan dengan FeatureSpecificatioS3Uri atribut tersebut.
Fitur yang dipilih harus terkandung dalam file JSON dalam format berikut:
{ "FeatureAttributeNames":["col1", "col2", ...] }
Nilai-nilai yang tercantum dalam ["col1", "col2", ...] peka huruf besar/kecil. Mereka harus berupa daftar string yang berisi nilai-nilai unik yang merupakan himpunan bagian dari nama kolom dalam data input.
Daftar kolom yang disediakan sebagai fitur tidak dapat menyertakan kolom target.
- CreateAutoMLJobV2
-
Untuk data tabular, Anda harus memilih TabularJobConfig sebagai jenisAutoMLProblemTypeConfig.
Anda dapat mengatur URL ke fitur yang Anda pilih dengan TabularJobConfig.FeatureSpecificationS3Uri parameter.
- CreateAutoMLJob
-
Anda dapat mengatur FeatureSpecificatioS3Uri atribut AutoMLCandidateGenerationConfig dalam CreateAutoMLJob API dengan format berikut:
{
"AutoMLJobConfig": {
"CandidateGenerationConfig": {
"FeatureSpecificationS3Uri":"string"
},
}
}
Pemilihan algoritma
Secara default, pekerjaan Autopilot Anda menjalankan daftar algoritma yang telah ditentukan sebelumnya pada dataset Anda untuk melatih kandidat model. Daftar algoritma tergantung pada mode pelatihan (ENSEMBLINGatauHYPERPARAMETER_TUNING) yang digunakan oleh pekerjaan.
Anda dapat memberikan subset dari pilihan default algoritma.
- CreateAutoMLJobV2
-
Untuk data tabular, Anda harus memilih TabularJobConfig sebagai jenisAutoMLProblemTypeConfig.
Anda dapat menentukan array yang dipilih AutoMLAlgorithms dalam AlgorithmsConfig atribut CandidateGenerationConfig.
Berikut ini adalah contoh AlgorithmsConfig atribut yang mencantumkan tepat tiga algoritma (“xgboost”, “fastai”, “catboost”) di bidangnya untuk mode pelatihan AutoMLAlgorithms ansambel.
{
"AutoMLProblemTypeConfig": {
"TabularJobConfig": {
"Mode": "ENSEMBLING",
"CandidateGenerationConfig": {
"AlgorithmsConfig":[
{"AutoMLAlgorithms":["xgboost", "fastai", "catboost"]}
]
},
},
},
}
- CreateAutoMLJob
-
Anda dapat menentukan array yang dipilih AutoMLAlgorithms dalam AlgorithmsConfig atribut AutoMLCandidateGenerationConfig.
Berikut ini adalah contoh AlgorithmsConfig atribut yang mencantumkan tepat tiga algoritma (“xgboost”, “fastai”, “catboost”) di bidangnya untuk mode pelatihan AutoMLAlgorithms ansambel.
{
"AutoMLJobConfig": {
"CandidateGenerationConfig": {
"AlgorithmsConfig":[
{"AutoMLAlgorithms":["xgboost", "fastai", "catboost"]}
]
},
"Mode": "ENSEMBLING"
}
Untuk daftar algoritma yang tersedia per pelatihanMode, lihat AutoMLAlgorithms. Untuk detail tentang setiap algoritma, lihatMode pelatihan dan dukungan algoritma.
Anda dapat menyediakan kumpulan data validasi Anda sendiri dan rasio pemisahan data khusus, atau membiarkan Autopilot membagi kumpulan data secara otomatis.
- CreateAutoMLJobV2
-
Setiap AutoMLJobChannel objek (lihat parameter yang diperlukan AutoMLJobInputDataConfig) memilikiChannelType, yang dapat diatur ke salah satu training atau validation nilai yang menentukan bagaimana data akan digunakan saat membangun model pembelajaran mesin. Setidaknya satu sumber data harus disediakan dan maksimal dua sumber data diperbolehkan: satu untuk data pelatihan dan satu untuk data validasi.
Bagaimana Anda membagi data menjadi kumpulan data pelatihan dan validasi tergantung pada apakah Anda memiliki satu atau dua sumber data.
-
Jika Anda hanya memiliki satu sumber data, ChannelType disetel ke training secara default dan harus memiliki nilai ini.
-
Jika ValidationFraction nilai di tidak AutoMLDataSplitConfig disetel, 0,2 (20%) data dari sumber ini digunakan untuk validasi secara default.
-
Jika ValidationFraction disetel ke nilai antara 0 dan 1, dataset dibagi berdasarkan nilai yang ditentukan, di mana nilai tersebut menentukan fraksi dataset yang digunakan untuk validasi.
-
Jika Anda memiliki dua sumber data, ChannelType salah satu AutoMLJobChannel objek harus disetel ketraining, nilai default. Sumber data lainnya harus disetel kevalidation. ChannelType Kedua sumber data harus memiliki format yang sama, baik CSV atau Parquet, dan skema yang sama. Anda tidak boleh menetapkan nilai untuk ValidationFraction dalam kasus ini karena semua data dari setiap sumber digunakan untuk pelatihan atau validasi. Menyetel nilai ini menyebabkan kesalahan.
- CreateAutoMLJob
-
Setiap AutoMLChannel objek (lihat parameter yang diperlukan InputDataConfig) memilikiChannelType, yang dapat diatur ke salah satu training atau validation nilai yang menentukan bagaimana data akan digunakan saat membangun model pembelajaran mesin. Setidaknya satu sumber data harus disediakan dan maksimal dua sumber data diperbolehkan: satu untuk data pelatihan dan satu untuk data validasi.
Bagaimana Anda membagi data menjadi kumpulan data pelatihan dan validasi tergantung pada apakah Anda memiliki satu atau dua sumber data.
-
Jika Anda hanya memiliki satu sumber data, ChannelType disetel ke training secara default dan harus memiliki nilai ini.
-
Jika ValidationFraction nilai di tidak AutoMLDataSplitConfig disetel, 0,2 (20%) data dari sumber ini digunakan untuk validasi secara default.
-
Jika ValidationFraction disetel ke nilai antara 0 dan 1, dataset dibagi berdasarkan nilai yang ditentukan, di mana nilai tersebut menentukan fraksi dataset yang digunakan untuk validasi.
-
Jika Anda memiliki dua sumber data, ChannelType salah satu AutoMLChannel objek harus disetel ketraining, nilai default. Sumber data lainnya harus disetel kevalidation. ChannelType Kedua sumber data harus memiliki format yang sama, baik CSV atau Parquet, dan skema yang sama. Anda tidak boleh menetapkan nilai untuk ValidationFraction dalam kasus ini karena semua data dari setiap sumber digunakan untuk pelatihan atau validasi. Menyetel nilai ini menyebabkan kesalahan.
Untuk informasi tentang split dan validasi silang di Autopilot lihat. Cross-validation di Autopilot
- CreateAutoMLJobV2
-
Untuk data tabular, Anda harus memilih TabularJobConfig sebagai jenisAutoMLProblemTypeConfig.
Anda dapat menentukan lebih lanjut jenis masalah pembelajaran yang diawasi (klasifikasi biner, klasifikasi multiclass, regresi) yang tersedia untuk kandidat model pekerjaan AutoML V2 Anda dengan parameter. TabularJobConfig.ProblemType
- CreateAutoMLJob
-
Anda dapat mengatur jenis masalah pada pekerjaan AutoML dengan CreateAutoPilot.ProblemType parameter. Ini membatasi jenis preprocessing dan algoritma yang coba Autopilot. Setelah pekerjaan selesai, jika Anda telah mengaturCreateAutoPilot.ProblemType, maka cocok dengan ResolvedAttribute.ProblemType yang ProblemType Anda tetapkan. Jika Anda menyimpannya kosong (ataunull), ProblemType itu disimpulkan atas nama Anda.
Dalam beberapa kasus, Autopilot tidak dapat menyimpulkan ProblemType dengan keyakinan yang cukup tinggi, dalam hal ini Anda harus memberikan nilai agar pekerjaan berhasil.
Anda dapat menambahkan kolom bobot sampel ke kumpulan data tabular Anda dan kemudian meneruskannya ke pekerjaan AutoML Anda untuk meminta baris dataset untuk ditimbang selama pelatihan dan evaluasi.
Dukungan untuk bobot sampel hanya tersedia dalam mode ansambel. Bobot Anda harus numerik dan non-negatif. Poin data dengan nilai bobot tidak valid atau tidak ada dikecualikan. Untuk informasi selengkapnya tentang metrik tujuan yang tersedia, lihatMetrik tertimbang autopilot.
- CreateAutoMLJobV2
-
Untuk data tabular, Anda harus memilih TabularJobConfig sebagai jenisAutoMLProblemTypeConfig.
Untuk mengatur bobot sampel saat membuat eksperimen (lihat CreateAutoMLJobV2), Anda dapat meneruskan nama kolom bobot sampel Anda di SampleWeightAttributeName atribut TabularJobConfig objek. Ini memastikan bahwa metrik objektif Anda menggunakan bobot untuk pelatihan, evaluasi, dan pemilihan kandidat model.
- CreateAutoMLJob
-
Untuk mengatur bobot sampel saat membuat eksperimen (lihat CreateAutoMLJob), Anda dapat meneruskan nama kolom bobot sampel Anda di SampleWeightAttributeName atribut objek AutoMLChannel. Ini memastikan bahwa metrik objektif Anda menggunakan bobot untuk pelatihan, evaluasi, dan pemilihan kandidat model.
Anda dapat mengonfigurasi pekerjaan AutoML V2 untuk secara otomatis memulai pekerjaan jarak jauh di Amazon EMR Serverless ketika sumber daya komputasi tambahan diperlukan untuk memproses kumpulan data besar. Dengan transisi mulus ke EMR Serverless bila diperlukan, pekerjaan AutoML dapat menangani kumpulan data yang seharusnya melebihi sumber daya yang disediakan awalnya, tanpa intervensi manual dari Anda. EMR Serverless tersedia untuk jenis masalah tabel dan deret waktu. Sebaiknya siapkan opsi ini untuk kumpulan data tabular yang lebih besar dari 5 GB.
Untuk memungkinkan pekerjaan AutoML V2 bertransisi secara otomatis ke EMR Serverless untuk dataset besar, Anda perlu menyediakan EmrServerlessComputeConfig objek, yang mencakup ExecutionRoleARN bidang, ke permintaan input AutoMLComputeConfig AutoML job V2.
Ini ExecutionRoleARN adalah ARN dari peran IAM yang memberikan pekerjaan AutoML V2 izin yang diperlukan untuk menjalankan pekerjaan Tanpa Server EMR.
Peran ini harus memiliki hubungan kepercayaan berikut:
- JSON
-
-
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "emr-serverless.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
]
}
Dan berikan izin untuk:
-
Buat, daftar, dan perbarui aplikasi EMR Serverless.
-
Mulai, daftar, dapatkan, atau batalkan pekerjaan berjalan pada aplikasi EMR Serverless.
-
Tandai sumber daya tanpa server EMR.
-
Berikan peran IAM ke layanan EMR Serverless untuk dieksekusi.
Dengan memberikan iam:PassRole izin, pekerjaan AutoML V2 dapat sementara mengambil EMRServerlessRuntimeRole-* peran dan meneruskannya ke layanan EMR Serverless. Ini adalah peran IAM yang digunakan oleh lingkungan eksekusi pekerjaan Tanpa Server EMR untuk mengakses AWS layanan dan sumber daya lain yang diperlukan selama runtime, seperti Amazon S3 untuk akses data, untuk pencatatan, CloudWatch akses ke Katalog AWS Glue Data, atau layanan lain berdasarkan persyaratan beban kerja Anda.
Lihat Peran runtime pekerjaan untuk Amazon EMR Serverless untuk detail tentang izin peran ini.
Kebijakan IAM yang ditentukan dalam dokumen JSON yang disediakan memberikan izin tersebut:
- JSON
-
-
{
"Version":"2012-10-17",
"Statement": [{
"Sid": "EMRServerlessCreateApplicationOperation",
"Effect": "Allow",
"Action": "emr-serverless:CreateApplication",
"Resource": "arn:aws:emr-serverless:*:*:/*",
"Condition": {
"StringEquals": {
"aws:RequestTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessListApplicationOperation",
"Effect": "Allow",
"Action": "emr-serverless:ListApplications",
"Resource": "arn:aws:emr-serverless:*:*:/*",
"Condition": {
"StringEquals": {
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessApplicationOperations",
"Effect": "Allow",
"Action": [
"emr-serverless:UpdateApplication",
"emr-serverless:GetApplication"
],
"Resource": "arn:aws:emr-serverless:*:*:/applications/*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessStartJobRunOperation",
"Effect": "Allow",
"Action": "emr-serverless:StartJobRun",
"Resource": "arn:aws:emr-serverless:*:*:/applications/*",
"Condition": {
"StringEquals": {
"aws:RequestTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessListJobRunOperation",
"Effect": "Allow",
"Action": "emr-serverless:ListJobRuns",
"Resource": "arn:aws:emr-serverless:*:*:/applications/*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessJobRunOperations",
"Effect": "Allow",
"Action": [
"emr-serverless:GetJobRun",
"emr-serverless:CancelJobRun"
],
"Resource": "arn:aws:emr-serverless:*:*:/applications/*/jobruns/*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "EMRServerlessTagResourceOperation",
"Effect": "Allow",
"Action": "emr-serverless:TagResource",
"Resource": "arn:aws:emr-serverless:*:*:/*",
"Condition": {
"StringEquals": {
"aws:RequestTag/sagemaker:is-canvas-resource": "True",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
},
{
"Sid": "IAMPassOperationForEMRServerless",
"Effect": "Allow",
"Action": "iam:PassRole",
"Resource": "arn:aws:iam::*:role/EMRServerlessRuntimeRole-*",
"Condition": {
"StringEquals": {
"iam:PassedToService": "emr-serverless.amazonaws.com",
"aws:ResourceAccount": "${aws:PrincipalAccount}"
}
}
}
]
}
Migrasikan a CreateAutoMLJob ke CreateAutoMLJobV2
Kami merekomendasikan pengguna CreateAutoMLJob untuk bermigrasi keCreateAutoMLJobV2.
Bagian ini menjelaskan perbedaan parameter input antara CreateAutoMLJob dan CreateAutoMLJobV2 dengan menyoroti perubahan posisi, nama, atau struktur objek dan atribut permintaan input antara dua versi.
-
Minta atribut yang tidak berubah antar versi.
{
"AutoMLJobName": "string",
"AutoMLJobObjective": {
"MetricName": "string"
},
"ModelDeployConfig": {
"AutoGenerateEndpointName": boolean,
"EndpointName": "string"
},
"OutputDataConfig": {
"KmsKeyId": "string",
"S3OutputPath": "string"
},
"RoleArn": "string",
"Tags": [
{
"Key": "string",
"Value": "string"
}
]
}
-
Minta atribut yang mengubah posisi dan struktur antar versi.
Atribut berikut mengubah posisi:DataSplitConfig,Security Config,CompletionCriteria,Mode,FeatureSpecificationS3Uri,SampleWeightAttributeName,TargetAttributeName.
- CreateAutoMLJob
-
{
"AutoMLJobConfig": {
"Mode": "string",
"CompletionCriteria": {
"MaxAutoMLJobRuntimeInSeconds": number,
"MaxCandidates": number,
"MaxRuntimePerTrainingJobInSeconds": number
},
"DataSplitConfig": {
"ValidationFraction": number
},
"SecurityConfig": {
"EnableInterContainerTrafficEncryption": boolean,
"VolumeKmsKeyId": "string",
"VpcConfig": {
"SecurityGroupIds": [ "string" ],
"Subnets": [ "string" ]
}
},
"CandidateGenerationConfig": {
"FeatureSpecificationS3Uri": "string"
}
},
"GenerateCandidateDefinitionsOnly": boolean,
"ProblemType": "string"
}
- CreateAutoMLJobV2
-
{
"AutoMLProblemTypeConfig": {
"TabularJobConfig": {
"Mode": "string",
"ProblemType": "string",
"GenerateCandidateDefinitionsOnly": boolean,
"CompletionCriteria": {
"MaxAutoMLJobRuntimeInSeconds": number,
"MaxCandidates": number,
"MaxRuntimePerTrainingJobInSeconds": number
},
"FeatureSpecificationS3Uri": "string",
"SampleWeightAttributeName": "string",
"TargetAttributeName": "string"
}
},
"DataSplitConfig": {
"ValidationFraction": number
},
"SecurityConfig": {
"EnableInterContainerTrafficEncryption": boolean,
"VolumeKmsKeyId": "string",
"VpcConfig": {
"SecurityGroupIds": [ "string" ],
"Subnets": [ "string" ]
}
}
}
-
Atribut berikut mengubah posisi dan struktur antar versi.
JSON berikut menggambarkan bagaimana AutoMLJobConfig.CandidateGenerationConfig tipe AutoMLCandidateGenerationConfig dipindahkan ke AutoMLProblemTypeConfig.TabularJobConfig.CandidateGenerationConfig tipe CandidateGenerationConfig di V2.
- CreateAutoMLJob
-
{
"AutoMLJobConfig": {
"CandidateGenerationConfig": {
"AlgorithmsConfig": [
{
"AutoMLAlgorithms": [ "string" ]
}
],
"FeatureSpecificationS3Uri": "string"
}
}
- CreateAutoMLJobV2
-
{
"AutoMLProblemTypeConfig": {
"TabularJobConfig": {
"CandidateGenerationConfig": {
"AlgorithmsConfig": [
{
"AutoMLAlgorithms": [ "string" ]
}
],
},
}
},
}
-
Minta atribut yang mengubah nama dan struktur.
JSON berikut menggambarkan bagaimana InputDataConfig (Sebuah array AutoMLChannel) berubah menjadi AutoMLJobInputDataConfig (Sebuah array dari AutoMLJobChannel) di V2. Perhatikan bahwa atribut SampleWeightAttributeName dan TargetAttributeName pindah keluar InputDataConfig dan masukAutoMLProblemTypeConfig.
- CreateAutoMLJob
-
{
"InputDataConfig": [
{
"ChannelType": "string",
"CompressionType": "string",
"ContentType": "string",
"DataSource": {
"S3DataSource": {
"S3DataType": "string",
"S3Uri": "string"
}
},
"SampleWeightAttributeName": "string",
"TargetAttributeName": "string"
}
]
}
- CreateAutoMLJobV2
-
{
"AutoMLJobInputDataConfig": [
{
"ChannelType": "string",
"CompressionType": "string",
"ContentType": "string",
"DataSource": {
"S3DataSource": {
"S3DataType": "string",
"S3Uri": "string"
}
}
}
]
}
