简单配置

以下是可以通过 Driverless AI GUI 中 config.toml 复制/粘贴设置运行的一些简单配置列表。

获取快速最终模型：没有遗传算法，没有集成

这些设置可以复制粘贴在“专家设置”中的 Toml 编辑器 中。可以检查实验预览，确保更改已生效。已完成实验的 Toml 编辑器也会在实验结束时将其列出。

Toml 编辑器

enable_genetic_algorithm = "off"
fixed_ensemble_level = 0

通过遗传算法使用原始特征

此示例未对数值特征进行转换，仅对分类特征进行了一个简单编码，即 没有交互、目标编码、日期、文本等 。它仅通过 GA 执行了模型选择和调优。

这些示例可以复制粘贴在“专家设置”中的 Toml 编辑器 中。实验预览经过修改，可对其进行检查，确认更改已生效。

1. 此示例仅对数值列应用标识或 original transformation ，同时对整数列和分类列应用 Frequent Transformer ，即它不会执行特征工程或特征交互（若设置交互深度 >1，应考虑 mutation_mode = “full”）。它不会从原始集中删除任何特征，但如果建模算法不用某些特征，您可能仍然无法看到这些特征，例如在拟合模型时进行拆分）

   Toml 编辑器

   included_transformers = ["OriginalTransformer","FrequentTransformer"]
   max_feature_interaction_depth = 1
   no_drop_features = true
   

2. 此示例对数值特征应用标识转换器，同时对分类特征应用 OneHotEncoding 转换。

   Toml 编辑器

   included_transformers = ["OriginalTransformer","OneHotEncodingTransformer"]
   max_feature_interaction_depth = 1
   no_drop_features = true
   

使用您选择的算法和参数构建模型

这些设置可以复制粘贴在实验的“专家实验”设置下的 通过 toml 字符串添加至 config.toml 中。启动实验之前，务必检查 Driverless 预览，确保更改已生效。可以使用“分数”选项卡检查已构建模型。

1. 此示例使用 2 折交叉验证和用户提供的参数构建了一个 GBM 模型，没有遗传算法。

   通过 toml 字符串添加至 config.toml

   ""  included_models = ['XGBOOSTGBM']\n
       params_xgboost = "{'max_depth': 2, 'max_leaves': 4, 'n_estimators': 50, 'learning_rate': 0.03}"\n
       fixed_num_folds = 2 \n
       feature_brain_level = 0 \n
       enable_genetic_algorithm = "off" \n
   ""
   

2. 此示例基于原始数值特征使用用户定义的参数构建了一个 TensorFlow 模型。此模型可以在目标数值列范围之外进行预测。使用 4 折交叉验证方案对此模型进行评估。已关闭 Mojo 创建、管道可视化和遗传算法。可以查看实验日志以验证 TensorFlow 模型所使用的参数。

   通过 toml 字符串添加至 config.toml

   ""  included_models = ["TensorFlowModel"] \n
       included_transformers = ["OriginalTransformer"] \n
       fixed_ensemble_level = 1 \n
       fixed_num_folds = 4 \n
       params_tensorflow = "{'batch_size': 4096, 'epochs': 100, 'hidden': [1000, 1000]}" \n
       target_transformer = "identity_noclip" \n
       make_mojo_scoring_pipeline = "off" \n
       make_pipeline_visualization = "off" \n
       enable_genetic_algorithm = "off" \n
   ""
   

3. 此示例构建了 LightGBM 模型。在遗传算法期间，它执行了特征工程，并将通过切换非用户设置的 其他参数 执行模型调优。可以使用“分数”选项卡检查已构建模型。

   通过 toml 字符串添加至 config.toml

   ""  included_models = ["LightGBMModel"] \n
       params_lightgbm = "{ 'n_estimators': 100, 'max_leaves': 64, 'random_state': 1234}" \n
   ""
   

禁用泄漏检查、移位检测、mojo 创建和集成

这些设置可以复制粘贴在“专家设置”中的 Toml 编辑器 中。可以检查实验预览，确保更改已生效。已完成实验的 Toml 编辑器也会在实验结束时将其列出。

如果用户知道数据良好或者正在构建 TensorFlow 模型，可以关闭泄露或移位检测。如果用户非常了解数据且仅对单个模型的 DAI 特征工程感兴趣，无需 mojo 创建，也可以应用这些设置。注意，如果提供了外部验证集，可以将 num_folds 设置为零。

Toml 编辑器

check_distribution_shift = "off"
check_leakage = "off"
make_mojo_scoring_pipeline = "off"
fixed_ensemble_level = 0
fixed_num_folds = 0