Azure Databricks AutoML Python API 参考
本文介绍 Azure Databricks AutoML Python API,该 API 提供用于启动 AutoML 运行的分类、回归和预测的方法。 每个方法调用将训练一组模型,并为每个模型生成一个试运行笔记本。
有关 AutoML 的详细信息(包括低代码 UI 选项)请参阅“什么是 AutoML?”。
分类
databricks.automl.classify
方法配置 AutoML 运行来训练分类模型。
注意
max_trials
参数在 Databricks Runtime 10.4 中已弃用,Databricks Runtime 11.0 ML 及更高版本不支持此参数。 timeout_minutes
用于控制 AutoML 运行的持续时间。
databricks.automl.classify(
dataset: Union[pyspark.sql.DataFrame, pandas.DataFrame, pyspark.pandas.DataFrame, str],
*,
target_col: str,
data_dir: Optional[str] = None,
exclude_cols: Optional[List[str]] = None, # <DBR> 10.3 ML and above
exclude_frameworks: Optional[List[str]] = None, # <DBR> 10.3 ML and above
experiment_dir: Optional[str] = None, # <DBR> 10.4 LTS ML and above
experiment_name: Optional[str] = None, # <DBR> 12.1 ML and above
feature_store_lookups: Optional[List[Dict]] = None, # <DBR> 11.3 LTS ML and above
imputers: Optional[Dict[str, Union[str, Dict[str, Any]]]] = None, # <DBR> 10.4 LTS ML and above
max_trials: Optional[int] = None, # <DBR> 10.5 ML and below
pos_label: Optional[Union[int, bool, str] = None, # <DBR> 11.1 ML and above
primary_metric: str = "f1",
time_col: Optional[str] = None,
timeout_minutes: Optional[int] = None,
split_col: Optional[str] = None, # <DBR> 15.3 ML and above
sample_weight_col: Optional[str] = None # <DBR> 15.4 ML and above
) -> AutoMLSummary
分类参数
参数名称 | 类型 | 描述 |
---|---|---|
dataset |
str ,pandas.DataFrame ,pyspark.DataFrame ,pyspark.sql.DataFrame |
包含训练特征和目标的输入表名称或数据帧。 对于非 Unity Catalog 表,表名可以采用“<database_name>.<table_name>”或“<schema_name>.<table_name>”格式。 |
target_col |
str |
目标标签的列名。 |
data_dir |
格式为 dbfs:/<folder-name> 的 str |
可选。 用于存储训练数据集的 DBFS 路径。 此路径对驱动程序节点和工作器节点均可见。 Databricks 建议将此字段留空,因此 AutoML 可以将训练数据集保存为 MLflow 项目。 如果指定了自定义路径,则数据集不会继承 AutoML 试验的访问权限。 |
exclude_cols |
List[str] |
可选。 在 AutoML 计算期间要忽略的列列表。 默认值:[] |
exclude_frameworks |
List[str] |
可选。 AutoML 在开发模型时不应考虑的算法框架列表。 可能的值:空列表,或者“sklearn”、“lightgbm”、“xgboost”中的一个或多个。 默认值:[](考虑所有框架) |
experiment_dir |
str |
可选。 工作区中用于保存生成的笔记本和试验的目录的路径。 默认值: /Users/<username>/databricks_automl/ |
experiment_name |
str |
可选。 AutoML 创建的 MLflow 试验的名称。 默认设置:自动生成名称。 |
feature_store_lookups |
List[Dict] |
可选。 表示特征存储中用于数据增强的特征的字典的列表。 每个字典中的有效键为: * table_name (str):必需。 特征表的名称。* lookup_key (list 或 str):必需。 将特征表与 dataset 参数中传递的数据联接时用作键的列名。 列名的顺序必须与特征表的主键顺序相匹配。* timestamp_lookup_key (str):如果指定的表是时序特征表,则此项为必需项。 使用 dataset 参数中传递的数据对特征表执行时间点查找时使用的列名。默认值:[] |
imputers |
Dict[str, Union[str, Dict[str, Any]]] |
可选。 字典,其中的每个键是列名,每个值是描述插补策略的字符串或字典。 如果指定为字符串,则值必须是“mean”、“median”和“most_frequent”中的一个。 若要使用已知值进行插补,请将该值指定为字典 {"strategy": "constant", "fill_value": <desired value>} 。 还可将字符串选项指定为字典,例如 {"strategy": "mean"} 。如果未为列提供插补策略,AutoML 将根据列类型和内容选择默认策略。 如果指定非默认插补方法,则 AutoML 不会执行语义类型检测。 默认值:{} |
max_trials |
int |
可选。 运行的最大试运行次数。 此参数在 Databricks Runtime 10.5 ML 及更低版本中可用,但从 Databricks Runtime 10.3 ML 开始弃用。 Databricks Runtime 11.0 ML 及更高版本中不支持此参数。 默认值:20 如果 timeout_minutes=None,AutoML 将运行最大试运行次数。 |
pos_label |
Union[int, bool, str] |
(仅分类)正类。 对于计算精度和召回率等指标,这很有用。 只应为二元分类问题指定。 |
primary_metric |
str |
用于评估模型性能并为其排名的指标。 支持的回归指标:“r2”(默认值)、“mae”、“rmse”、“mse” 支持的分类指标:“f1”(默认值)、“log_loss”、“precision”、“accuracy”、“roc_auc” |
split_col |
str |
可选。 拆分列的列名。 仅在 Databricks Runtime 15.3 ML 及更高版本中可用于 API 工作流。 如果提供了指定值,AutoML 会尝试按用户指定的值拆分训练/验证/测试集,且此列会自动从训练功能中排除。 接受的列类型为字符串。 此列中每个条目的值必须是下列项之一:“train”、“validate”或“test”。 |
time_col |
str |
在 Databricks Runtime 10.1 ML 及更高版本中可用。 可选。 时间列的列名。 如果提供,AutoML 会尝试按时间顺序将数据集拆分为训练集、验证集和测试集,使用最早的点作为训练数据,使用最新的点作为测试集。 接受的列类型是 timestamp 和 integer。 对于 Databricks Runtime 10.2ML 及以上版本,也支持字符串列。 如果列类型是字符串,AutoML 尝试使用语义检测将其转换为时间戳。 如果转换失败,则 AutoML 运行失败。 |
timeout_minutes |
int |
可选。 表示等待 AutoML 试运行完成的最长时间。 如果超时较长,则 AutoML 可以运行更多的试运行,并为模型标识更高的准确度。 默认值:120 分钟 最小值:5 分钟 如果超时太短,无法完成至少一次试运行,则会报告错误。 |
sample_weight_col |
str |
在 Databricks Runtime 15.4 ML 及更高版本中可用于分类 API 工作流。 可选。 包含每一行的样本权重的数据集中的列名。 分类支持按类设置的样本权重。 这些权重在模型训练期间调整每个类的重要性。 类中的每个样本必须有相同的样本权重,并且权重必须是 0 到 10,000 范围内的非负小数或整数值。 样本权重越高的类被认为越重要,并且对学习算法的影响越大。 如果未指定此列,则假设所有类具有相同的权重。 |
回归
databricks.automl.regress
方法配置 AutoML 运行来训练回归模型。 此方法返回 AutoMLSummary。
注意
max_trials
参数在 Databricks Runtime 10.4 中已弃用,Databricks Runtime 11.0 ML 及更高版本不支持此参数。 timeout_minutes
用于控制 AutoML 运行的持续时间。
databricks.automl.regress(
dataset: Union[pyspark.sql.DataFrame, pandas.DataFrame, pyspark.pandas.DataFrame, str],
*,
target_col: str,
data_dir: Optional[str] = None,
exclude_cols: Optional[List[str]] = None, # <DBR> 10.3 ML and above
exclude_frameworks: Optional[List[str]] = None, # <DBR> 10.3 ML and above
experiment_dir: Optional[str] = None, # <DBR> 10.4 LTS ML and above
experiment_name: Optional[str] = None, # <DBR> 12.1 ML and above
feature_store_lookups: Optional[List[Dict]] = None, # <DBR> 11.3 LTS ML and above
imputers: Optional[Dict[str, Union[str, Dict[str, Any]]]] = None, # <DBR> 10.4 LTS ML and above
max_trials: Optional[int] = None, # <DBR> 10.5 ML and below
primary_metric: str = "r2",
time_col: Optional[str] = None,
timeout_minutes: Optional[int] = None,
split_col: Optional[str] = None, # <DBR> 15.3 ML and above
sample_weight_col: Optional[str] = None, # <DBR> 15.3 ML and above
) -> AutoMLSummary
回归参数
参数名称 | 类型 | 描述 |
---|---|---|
dataset |
str ,pandas.DataFrame ,pyspark.DataFrame ,pyspark.sql.DataFrame |
包含训练特征和目标的输入表名称或数据帧。 对于非 Unity Catalog 表,表名可以采用“<database_name>.<table_name>”或“<schema_name>.<table_name>”格式。 |
target_col |
str |
目标标签的列名。 |
data_dir |
格式为 dbfs:/<folder-name> 的 str |
可选。 用于存储训练数据集的 DBFS 路径。 此路径对驱动程序节点和工作器节点均可见。 Databricks 建议将此字段留空,因此 AutoML 可以将训练数据集保存为 MLflow 项目。 如果指定了自定义路径,则数据集不会继承 AutoML 试验的访问权限。 |
exclude_cols |
List[str] |
可选。 在 AutoML 计算期间要忽略的列列表。 默认值:[] |
exclude_frameworks |
List[str] |
可选。 AutoML 在开发模型时不应考虑的算法框架列表。 可能的值:空列表,或者“sklearn”、“lightgbm”、“xgboost”中的一个或多个。 默认值:[](考虑所有框架) |
experiment_dir |
str |
可选。 工作区中用于保存生成的笔记本和试验的目录的路径。 默认值: /Users/<username>/databricks_automl/ |
experiment_name |
str |
可选。 AutoML 创建的 MLflow 试验的名称。 默认设置:自动生成名称。 |
feature_store_lookups |
List[Dict] |
可选。 表示特征存储中用于数据增强的特征的字典的列表。 每个字典中的有效键为: * table_name (str):必需。 特征表的名称。* lookup_key (list 或 str):必需。 将特征表与 dataset 参数中传递的数据联接时用作键的列名。 列名的顺序必须与特征表的主键顺序相匹配。* timestamp_lookup_key (str):如果指定的表是时序特征表,则此项为必需项。 使用 dataset 参数中传递的数据对特征表执行时间点查找时使用的列名。默认值:[] |
imputers |
Dict[str, Union[str, Dict[str, Any]]] |
可选。 字典,其中的每个键是列名,每个值是描述插补策略的字符串或字典。 如果指定为字符串,则值必须是“mean”、“median”和“most_frequent”中的一个。 若要使用已知值进行插补,请将该值指定为字典 {"strategy": "constant", "fill_value": <desired value>} 。 还可将字符串选项指定为字典,例如 {"strategy": "mean"} 。如果未为列提供插补策略,AutoML 将根据列类型和内容选择默认策略。 如果指定非默认插补方法,则 AutoML 不会执行语义类型检测。 默认值:{} |
max_trials |
int |
可选。 运行的最大试运行次数。 此参数在 Databricks Runtime 10.5 ML 及更低版本中可用,但从 Databricks Runtime 10.3 ML 开始弃用。 Databricks Runtime 11.0 ML 及更高版本中不支持此参数。 默认值:20 如果 timeout_minutes=None,AutoML 将运行最大试运行次数。 |
pos_label |
Union[int, bool, str] |
(仅分类)正类。 对于计算精度和召回率等指标,这很有用。 只应为二元分类问题指定。 |
primary_metric |
str |
用于评估模型性能并为其排名的指标。 支持的回归指标:“r2”(默认值)、“mae”、“rmse”、“mse” 支持的分类指标:“f1”(默认值)、“log_loss”、“precision”、“accuracy”、“roc_auc” |
split_col |
str |
可选。 拆分列的列名。 仅在 Databricks Runtime 15.3 ML 及更高版本中可用于 API 工作流。 如果提供了指定值,AutoML 会尝试按用户指定的值拆分训练/验证/测试集,且此列会自动从训练功能中排除。 接受的列类型为字符串。 此列中每个条目的值必须是下列项之一:“train”、“validate”或“test”。 |
time_col |
str |
在 Databricks Runtime 10.1 ML 及更高版本中可用。 可选。 时间列的列名。 如果提供,AutoML 会尝试按时间顺序将数据集拆分为训练集、验证集和测试集,使用最早的点作为训练数据,使用最新的点作为测试集。 接受的列类型是 timestamp 和 integer。 对于 Databricks Runtime 10.2ML 及以上版本,也支持字符串列。 如果列类型是字符串,AutoML 尝试使用语义检测将其转换为时间戳。 如果转换失败,则 AutoML 运行失败。 |
timeout_minutes |
int |
可选。 表示等待 AutoML 试运行完成的最长时间。 如果超时较长,则 AutoML 可以运行更多的试运行,并为模型标识更高的准确度。 默认值:120 分钟 最小值:5 分钟 如果超时太短,无法完成至少一次试运行,则会报告错误。 |
sample_weight_col |
str |
在 Databricks Runtime 15.3 ML 及更高版本中可用于回归 API 工作流。 可选。 包含每一行的样本权重的数据集中的列名。 这些权重在模型训练期间会调整每一行的重要性。 权重必须是非负十进制数或整数值,范围从 0 到 10,000。 样本权重越高的行被认为越重要,并且对学习算法的影响越大。 如果未指定此列,则假设所有行具有相同的权重。 |
预测
databricks.automl.forecast
配置一个用于训练预测模型的 AutoML 运行。 此方法返回 AutoMLSummary。
要使用 Auto-ARIMA,时间序列必须有一个规则的频率(也就是说,任意两点之间的间隔必须在整个时间序列中相同)。 频率必须与 API 调用中指定的频率单位相匹配。 AutoML 通过用前一个值填充这些值,以此来处理丢失的时间步长。
databricks.automl.forecast(
dataset: Union[pyspark.sql.DataFrame, pandas.DataFrame, pyspark.pandas.DataFrame, str],
*,
target_col: str,
time_col: str,
country_code: str = "US", # <DBR> 12.0 ML and above
data_dir: Optional[str] = None,
exclude_frameworks: Optional[List[str]] = None,
experiment_dir: Optional[str] = None,
experiment_name: Optional[str] = None, # <DBR> 12.1 ML and above
feature_store_lookups: Optional[List[Dict]] = None, # <DBR> 12.2 LTS ML and above
frequency: str = "D",
horizon: int = 1,
identity_col: Optional[Union[str, List[str]]] = None,
output_database: Optional[str] = None, # <DBR> 10.5 ML and above
primary_metric: str = "smape",
timeout_minutes: Optional[int] = None,
) -> AutoMLSummary
预测参数
参数名称 | 类型 | 描述 |
---|---|---|
dataset |
str ,pandas.DataFrame ,pyspark.DataFrame ,pyspark.sql.DataFrame |
包含训练特征和目标的输入表名称或数据帧。 对于非 Unity Catalog 表,表名的格式可以是“..”或“.” |
target_col |
str |
目标标签的列名。 |
time_col |
str |
用于预测的时间列的名称。 |
frequency |
str |
用于预测的时序的频率。 这是预期事件发生的时间段。 默认设置是“D”或每日数据。 如果数据有其他频率,请务必更改该设置。 可能的值: "W"(周) "D" / "days" / "day" "hours" / "hour" / "hr" / "h" "m" / "minute" / "min" / "minutes" / "T" "S" / "seconds" / "sec" / "second" 以下内容仅适用于 Databricks Runtime 12.0 ML 和更高版本: "M" / "month" / "months" "Q" / "quarter" / "quarters" "Y" / "year" / "years" 默认:“D” |
horizon |
int |
预测应返回的将来的时间段数。 单位是时序频率。 默认值:1 |
data_dir |
格式为 dbfs:/<folder-name> 的 str |
可选。 用于存储训练数据集的 DBFS 路径。 此路径对驱动程序节点和工作器节点均可见。 Databricks 建议将此字段留空,因此 AutoML 可以将训练数据集保存为 MLflow 项目。 如果指定了自定义路径,则数据集不会继承 AutoML 试验的访问权限。 |
exclude_frameworks |
List[str] |
可选。 AutoML 在开发模型时不应考虑的算法框架列表。 可能的值:空列表,或者“prophet”、“arima”中的一个或多个。 默认值:[](考虑所有框架) |
experiment_dir |
str |
可选。 工作区中用于保存生成的笔记本和试验的目录的路径。 默认值: /Users/<username>/databricks_automl/ |
experiment_name |
str |
可选。 AutoML 创建的 MLflow 试验的名称。 默认设置:自动生成名称。 |
feature_store_lookups |
List[Dict] |
可选。 表示特征存储中用于数据增强的特征的字典的列表。 每个字典中的有效键为: * table_name (str):必需。 特征表的名称。* lookup_key (list 或 str):必需。 将特征表与 dataset 参数中传递的数据联接时用作键的列名。 列名的顺序必须与特征表的主键顺序相匹配。* timestamp_lookup_key (str):如果指定的表是时序特征表,则此项为必需项。 使用 dataset 参数中传递的数据对特征表执行时间点查找时使用的列名。默认值:[] |
identity_col |
Union[str, list] |
可选。 用于标识多系列预测的时序的列。 AutoML 按这些列和用于预测的时间列进行分组。 |
output_database |
str |
可选。 如果已提供,则 AutoML 会将最佳模型的预测结果保存到指定的数据库中的新表中。 默认设置:不保存预测结果。 |
primary_metric |
str |
用于评估模型性能并为其排名的指标。 支持的指标:“smape”(默认值)、“mse”、“rmse”、“mae”或“mdape”。 |
timeout_minutes |
int |
可选。 表示等待 AutoML 试运行完成的最长时间。 如果超时较长,则 AutoML 可以运行更多的试运行,并为模型标识更高的准确度。 默认值:120 分钟 最小值:5 分钟 如果超时太短,无法完成至少一次试运行,则会报告错误。 |
country_code |
str |
适用于 Databricks Runtime 12.0 ML 和更高版本。 仅受 Prophet 预测模型支持。 可选。 双字母国家/地区代码,指示预测模型应使用哪个国家/地区的节假日。 若要忽略节假日,请将此参数设置为空字符串 ("")。 支持的国家/地区。 默认值:US(美国节假日)。 |
导入笔记本
databricks.automl.import_notebook
方法导入已保存为 MLflow 项目的笔记本。 此方法返回 ImportNotebookResult。
databricks.automl.import_notebook(
artifact_uri: str,
path: str,
overwrite: bool = False
) -> ImportNotebookResult:
参数 | 类型 | 描述 |
---|---|---|
artifact_uri |
str |
包含试用笔记本的 MLflow 项目的 URI。 |
path |
str |
Databricks 工作区中应导入笔记本的路径。 它必须为绝对路径。 将创建目录(如果不存在)。 |
overwrite |
bool |
如果笔记本已经存在,指示是否将其覆盖。 默认情况下,它为 False 。 |
导入笔记本示例
summary = databricks.automl.classify(...)
result = databricks.automl.import_notebook(summary.trials[5].artifact_uri, "/Users/you@yourcompany.com/path/to/directory")
print(result.path)
print(result.url)
AutoMLSummary
AutoML 运行的摘要对象,用于描述每个试运行的指标、参数和其他详细信息。 还可以使用此对象加载特定试运行训练的模型。
属性 | 类型 | 描述 |
---|---|---|
experiment |
mlflow.entities.Experiment |
MLflow 试验用于记录试运行。 |
trials |
List[TrialInfo] |
TrialInfo 对象的列表,其中包含有关已运行的所有试运行的信息。 |
best_trial |
TrialInfo |
TrialInfo 对象,其中包含产生了主要指标最佳加权评分的试运行的相关信息。 |
metric_distribution |
str |
所有试运行中主要指标的加权评分的分布情况。 |
output_table_name |
str |
仅用于预测且仅在提供 output_database 时使用。 包含模型预测的 output_database 中表的名称。 |
TrialInfo
每个试运行的摘要对象。
属性 | 类型 | 描述 |
---|---|---|
notebook_path |
Optional[str] |
此试运行生成的笔记本在工作区中的路径。 对于分类和回归,此值仅为最佳试用设置,而所有其他试验的值都设置为 None 。对于预测,此值适用于所有试运行。 |
notebook_url |
Optional[str] |
此试运行生成的笔记本的 URL。 对于分类和回归,此值仅为最佳试用设置,而所有其他试验的值都设置为 None 。对于预测,此值适用于所有试运行。 |
artifact_uri |
Optional[str] |
生成的笔记本的 MLflow 项目 URI。 |
mlflow_run_id |
str |
与此试运行关联的 MLflow 运行 ID。 |
metrics |
Dict[str, float] |
在此试运行的 MLflow 中记录的指标。 |
params |
Dict[str, str] |
在为此试运行使用的 MLflow 中记录的参数。 |
model_path |
str |
此试运行中训练的模型的 MLflow 项目 URL。 |
model_description |
str |
模型的简短说明以及用于训练此模型的超参数。 |
duration |
str |
训练持续时间,以分钟为单位。 |
preprocessors |
str |
在训练模型之前运行的预处理器的说明。 |
evaluation_metric_score |
float |
为验证数据集评估的主要指标的评分。 |
TrialInfo
具有一种方法来加载为试运行生成的模型。
方法 | 说明 |
---|---|
load_model() |
加载在此试运行中生成的模型,记录为 MLflow 项目。 |
ImportNotebookResult
properties | 类型 | 描述 |
---|---|---|
path |
str |
Databricks 工作区中应导入笔记本的路径。 它必须为绝对路径。 将创建目录(如果不存在)。 |
url |
str |
包含试用笔记本的 MLflow 项目的 URI。 |