DataDriftDetector Classe

Riferimento

Definisce un monitoraggio deriva dei dati che può essere usato per eseguire processi di deriva dei dati in Azure Machine Learning.

La classe DataDriftDetector consente di identificare la deriva tra una baseline e un set di dati di destinazione specificati. Un oggetto DataDriftDetector viene creato in un'area di lavoro specificando direttamente i set di dati di base e di destinazione. Per altre informazioni, vedere https://aka.ms/datadrift.

Costruttore Datadriftdetector.

Il costruttore DataDriftDetector viene usato per recuperare una rappresentazione cloud di un oggetto DataDriftDetector associato all'area di lavoro specificata.

Ereditarietà: builtins.object

DataDriftDetector

Costruttore

DataDriftDetector(workspace, name=None, baseline_dataset=None, target_dataset=None, compute_target=None, frequency=None, feature_list=None, alert_config=None, drift_threshold=None, latency=None)

Parametri

Nome	Descrizione
workspace Necessario	Workspace Area di lavoro in cui creare l'oggetto DataDriftDetector.
name	str Nome univoco per l'oggetto DataDriftDetector. Valore predefinito: None
baseline_dataset	TabularDataset Set di dati con cui confrontare il set di dati di destinazione. Valore predefinito: None
target_dataset	TabularDataset Set di dati per cui eseguire processi dataDrift ad hoc o pianificati. Deve essere una serie temporale. Valore predefinito: None
compute_target	ComputeTarget oppure str Nome computetarget o calcolo di Azure Machine Learning facoltativo. DataDriftDetector creerà una destinazione di calcolo se non ne viene specificata una. Valore predefinito: None
frequency	str Frequenza facoltativa che indica la frequenza di esecuzione della pipeline. Supporta "Day", "Week" o "Month". Valore predefinito: None
feature_list	list[str] Funzionalità facoltative nell'elenco elementi consentiti in cui eseguire il rilevamento datadrift. I processi DataDriftDetector verranno eseguiti in tutte le funzionalità, se `feature_list` non specificato. L'elenco delle funzionalità può contenere caratteri, numeri, trattini e spazi vuoti. La lunghezza dell'elenco deve essere inferiore a 200. Valore predefinito: None
alert_config	AlertConfiguration Oggetto di configurazione facoltativo per gli avvisi di DataDriftDetector. Valore predefinito: None
drift_threshold	float Soglia facoltativa per abilitare gli avvisi di DataDriftDetector. Il valore deve essere compreso tra 0 e 1. Il valore 0,2 viene usato quando non è specificato Nessuno (impostazione predefinita). Valore predefinito: None
latency	int Ritardo in ore per la visualizzazione dei dati nel set di dati. Valore predefinito: None
workspace Necessario	Workspace Area di lavoro in cui creare l'oggetto DataDriftDetector.
name Necessario	str Nome univoco per l'oggetto DataDriftDetector.
baseline_dataset Necessario	TabularDataset Set di dati con cui confrontare il set di dati di destinazione.
target_dataset Necessario	TabularDataset Set di dati per cui eseguire processi dataDrift ad hoc o pianificati. Deve essere una serie temporale.
compute_target Necessario	ComputeTarget oppure str Nome computetarget o calcolo di Azure Machine Learning facoltativo. DataDriftDetector creerà una destinazione di calcolo se non ne viene specificata una.
frequency Necessario	str Frequenza facoltativa che indica la frequenza di esecuzione della pipeline. Supporta "Day", "Week" o "Month".
feature_list Necessario	list[str] Funzionalità facoltative nell'elenco elementi consentiti in cui eseguire il rilevamento datadrift. I processi DataDriftDetector verranno eseguiti in tutte le funzionalità, se `feature_list` non specificato. L'elenco delle funzionalità può contenere caratteri, numeri, trattini e spazi vuoti. La lunghezza dell'elenco deve essere inferiore a 200.
alert_config Necessario	AlertConfiguration Oggetto di configurazione facoltativo per gli avvisi di DataDriftDetector.
drift_threshold Necessario	float Soglia facoltativa per abilitare gli avvisi di DataDriftDetector. Il valore deve essere compreso tra 0 e 1. Il valore 0,2 viene usato quando non è specificato Nessuno (impostazione predefinita).
latency Necessario	int Ritardo in ore per la visualizzazione dei dati nel set di dati.

Commenti

Un oggetto DataDriftDetector rappresenta una definizione di processo di deriva dei dati che può essere usata per eseguire tre tipi di esecuzione del processo:

esecuzione ad hoc per l'analisi dei dati di un giorno specifico; vedere il run metodo .
un'esecuzione pianificata in una pipeline; vedere il enable_schedule metodo .
esecuzione di backfill per vedere in che modo i dati cambiano nel tempo; vedere il backfill metodo .

Il modello tipico per la creazione di un oggetto DataDriftDetector è:

Per creare un oggetto DataDriftDetector basato su set di dati, usare create_from_datasets

Nell'esempio seguente viene illustrato come creare un oggetto DataDriftDetector basato su set di dati.


   from azureml.datadrift import DataDriftDetector, AlertConfiguration

   alert_config = AlertConfiguration(['user@contoso.com']) # replace with your email to recieve alerts from the scheduled pipeline after enabling

   monitor = DataDriftDetector.create_from_datasets(ws, 'weather-monitor', baseline, target,
                                                         compute_target='cpu-cluster',         # compute target for scheduled pipeline and backfills
                                                         frequency='Week',                     # how often to analyze target data
                                                         feature_list=None,                    # list of features to detect drift on
                                                         drift_threshold=None,                 # threshold from 0 to 1 for email alerting
                                                         latency=0,                            # SLA in hours for target data to arrive in the dataset
                                                         alert_config=alert_config)            # email addresses to send alert

L'esempio completo è disponibile da https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datadrift-tutorial/datadrift-tutorial.ipynb

Il costruttore DataDriftDetector recupera un oggetto deriva dei dati esistente associato all'area di lavoro.

Metodi

backfill	Eseguire un processo di backfill su una data di inizio e di fine specificata. Per informazioni dettagliate sulle esecuzioni di backfill alla deriva dei dati, vedere https://aka.ms/datadrift . NOTA: Il backfill è supportato solo in oggetti DataDriftDetector basati su set di dati.
create_from_datasets	Creare un nuovo oggetto DataDriftDetector da un set di dati tabulare di base e da un set di dati time series di destinazione.
delete	Eliminare la pianificazione per l'oggetto DataDriftDetector.
disable_schedule	Disabilitare la pianificazione per l'oggetto DataDriftDetector.
enable_schedule	Creare una pianificazione per eseguire un processo DataDriftDetector basato su set di dati.
get_by_name	Recuperare un oggetto DataDriftDetector univoco per un'area di lavoro e un nome specifici.
get_output	Ottenere una tupla dei risultati e delle metriche di deriva per un datadriftDetector specifico in un determinato intervallo di tempo.
list	Ottenere un elenco di oggetti DataDriftDetector per l'area di lavoro specificata e il set di dati facoltativo. NOTA: Passando solo il `workspace` parametro restituirà tutti gli oggetti DataDriftDetector definiti nell'area di lavoro.
run	Eseguire un'analisi della deriva dei dati in un singolo punto nel tempo.
show	Mostra la tendenza alla deriva dei dati in un determinato intervallo di tempo. Per impostazione predefinita, questo metodo mostra i 10 cicli più recenti. Ad esempio, se la frequenza è giorno, sarà l'ultimo 10 giorni. Se la frequenza è settimanale, sarà la più recente di 10 settimane.
update	Aggiornare la pianificazione associata all'oggetto DataDriftDetector. I valori dei parametri facoltativi possono essere impostati su `None`. In caso contrario, per impostazione predefinita vengono usati i valori esistenti.

backfill

Eseguire un processo di backfill su una data di inizio e di fine specificata.

Per informazioni dettagliate sulle esecuzioni di backfill alla deriva dei dati, vedere https://aka.ms/datadrift .

NOTA: Il backfill è supportato solo in oggetti DataDriftDetector basati su set di dati.

backfill(start_date, end_date, compute_target=None, create_compute_target=False)

Parametri

Nome	Descrizione
start_date Necessario	datetime Data di inizio del processo di riempimento.
end_date Necessario	datetime Data di fine del processo di backfill, inclusiva.
compute_target	ComputeTarget oppure str Nome computetarget o calcolo di Azure Machine Learning facoltativo. DataDriftDetector creerà una destinazione di calcolo se non è specificato alcun valore. Valore predefinito: None
create_compute_target	bool Indica se viene creata automaticamente una destinazione di calcolo di Azure Machine Learning. Valore predefinito: False

Restituisce

Tipo	Descrizione
Run	Esecuzione di DataDriftDetector.

create_from_datasets

Creare un nuovo oggetto DataDriftDetector da un set di dati tabulare di base e da un set di dati time series di destinazione.

static create_from_datasets(workspace, name, baseline_dataset, target_dataset, compute_target=None, frequency=None, feature_list=None, alert_config=None, drift_threshold=None, latency=None)

Parametri

Nome	Descrizione
workspace Necessario	Workspace Area di lavoro in cui creare DataDriftDetector.
name Necessario	str Nome univoco per l'oggetto DataDriftDetector.
baseline_dataset Necessario	TabularDataset Set di dati con cui confrontare il set di dati di destinazione.
target_dataset Necessario	TabularDataset Set di dati per cui eseguire processi dataDrift ad hoc o pianificati. Deve essere una serie temporale.
compute_target	ComputeTarget oppure str Nome computetarget o calcolo di Azure Machine Learning facoltativo. DataDriftDetector creerà una destinazione di calcolo se non ne viene specificata una. Valore predefinito: None
frequency	str Frequenza facoltativa che indica la frequenza di esecuzione della pipeline. Supporta "Day", "Week" o "Month". Valore predefinito: None
feature_list	list[str] Funzionalità facoltative nell'elenco elementi consentiti in cui eseguire il rilevamento datadrift. I processi DataDriftDetector verranno eseguiti in tutte le funzionalità, se `feature_list` non specificato. L'elenco delle funzionalità può contenere caratteri, numeri, trattini e spazi vuoti. La lunghezza dell'elenco deve essere inferiore a 200. Valore predefinito: None
alert_config	AlertConfiguration Oggetto di configurazione facoltativo per gli avvisi di DataDriftDetector. Valore predefinito: None
drift_threshold	float Soglia facoltativa per abilitare gli avvisi di DataDriftDetector. Il valore deve essere compreso tra 0 e 1. Il valore 0,2 viene usato quando non è specificato Nessuno (impostazione predefinita). Valore predefinito: None
latency	int Ritardo in ore per la visualizzazione dei dati nel set di dati. Valore predefinito: None

Restituisce

Tipo	Descrizione
DataDriftDetector	Oggetto DataDriftDetector.

Eccezioni

Tipo	Descrizione
<xref:KeyError>, <xref:TypeError>, <xref:ValueError>

Commenti

I dataDriftDetector basati su set di dati consentono di calcolare la deriva dei dati tra un set di dati di base, che deve essere un TabularDatasetset di dati e un set di dati di destinazione, che deve essere un set di dati time series. Un set di dati time series è semplicemente un TabularDataset oggetto con la proprietà fine_grain_timestamp. DataDriftDetector può quindi eseguire processi adhoc o pianificati per determinare se il set di dati di destinazione è stato deviato dal set di dati di base.


   from azureml.core import Workspace, Dataset
   from azureml.datadrift import DataDriftDetector

   ws = Workspace.from_config()
   baseline = Dataset.get_by_name(ws, 'my_baseline_dataset')
   target = Dataset.get_by_name(ws, 'my_target_dataset')

   detector = DataDriftDetector.create_from_datasets(workspace=ws,
                                                     name="my_unique_detector_name",
                                                     baseline_dataset=baseline,
                                                     target_dataset=target,
                                                     compute_target_name='my_compute_target',
                                                     frequency="Day",
                                                     feature_list=['my_feature_1', 'my_feature_2'],
                                                     alert_config=AlertConfiguration(email_addresses=['user@contoso.com']),
                                                     drift_threshold=0.3,
                                                     latency=1)

delete

Eliminare la pianificazione per l'oggetto DataDriftDetector.

delete(wait_for_completion=True)

Parametri

Nome	Descrizione
wait_for_completion	bool Indica se attendere il completamento dell'operazione di eliminazione. Valore predefinito: True

disable_schedule

Disabilitare la pianificazione per l'oggetto DataDriftDetector.

disable_schedule(wait_for_completion=True)

Parametri

Nome	Descrizione
wait_for_completion	bool Indica se attendere il completamento dell'operazione di disabilitazione. Valore predefinito: True

enable_schedule

Creare una pianificazione per eseguire un processo DataDriftDetector basato su set di dati.

enable_schedule(create_compute_target=False, wait_for_completion=True)

Parametri

Nome	Descrizione
create_compute_target	bool Indica se una destinazione di calcolo di Azure Machine Learning viene creata automaticamente. Valore predefinito: False
wait_for_completion	bool Indica se attendere il completamento dell'operazione di abilitazione. Valore predefinito: True

get_by_name

Recuperare un oggetto DataDriftDetector univoco per un'area di lavoro e un nome specifici.

static get_by_name(workspace, name)

Parametri

Nome	Descrizione
workspace Necessario	Workspace Area di lavoro in cui è stato creato DataDriftDetector.
name Necessario	str Nome dell'oggetto DataDriftDetector da restituire.

Restituisce

Tipo	Descrizione
DataDriftDetector	Oggetto DataDriftDetector.

get_output

Ottenere una tupla dei risultati e delle metriche di deriva per un datadriftDetector specifico in un determinato intervallo di tempo.

get_output(start_time=None, end_time=None, run_id=None)

Parametri

Nome	Descrizione
start_time	datetime, <xref:optional> Ora di inizio della finestra dei risultati in formato UTC. Se None (impostazione predefinita) è specificato, i risultati del 10° ciclo più recenti vengono usati come ora di inizio. Ad esempio, se la frequenza della pianificazione della deriva dei dati è giorno, è `start_time` di 10 giorni. Se la frequenza è settimanale, il `start_time` valore è 10 settimane. Valore predefinito: None
end_time	datetime, <xref:optional> Ora di fine della finestra dei risultati in formato UTC. Se None (impostazione predefinita) è specificato, l'ora UTC del giorno corrente viene usata come ora di fine. Valore predefinito: None
run_id	int, <xref:optional> ID di esecuzione specifico. Valore predefinito: None

Restituisce

Tipo	Descrizione
tuple(list, list)	Tupla di un elenco di risultati di deriva e un elenco di singole metriche di set di dati e colonne.

Commenti

Questo metodo restituisce una tupla di risultati e metriche di deriva per un intervallo di tempo o un ID esecuzione in base al tipo di esecuzione: un'esecuzione adhoc , un'esecuzione pianificata e un'esecuzione di backfill.

Per recuperare i risultati dell'esecuzione adhoc , esiste un solo modo: run_id deve essere un GUID valido.
Per recuperare le esecuzioni pianificate e il riempimento dei risultati dell'esecuzione, esistono due modi diversi: assegnare un GUID valido a run_id o assegnare un valore specifico start_time e/o end_time (inclusivo) mantenendo run_id l'opzione Nessuna.
Se run_id, start_timee end_time non sono None nella stessa chiamata al metodo, viene generata un'eccezione di convalida dei parametri.

NOTA:start_time Specificare i parametri e end_time o il run_id parametro , ma non entrambi.

È possibile che siano presenti più risultati per la stessa data di destinazione (la data di destinazione indica la data di inizio del set di dati di destinazione per la deriva basata su set di dati). Pertanto, è necessario identificare e gestire i risultati duplicati. Per la deriva basata su set di dati, se i risultati corrispondono alla stessa data di destinazione, vengono duplicati. Il get_output metodo deduplica tutti i risultati duplicati in base a una regola: selezionare sempre i risultati generati più recenti.

Il get_output metodo può essere usato per recuperare tutti gli output o gli output parziali delle esecuzioni pianificate in un intervallo di tempo specifico compreso tra start_time e end_time (limite incluso). È anche possibile limitare i risultati di un singolo adhoc specificando .run_id

Usare le linee guida seguenti per interpretare i risultati restituiti dal get_output metodo :

Il principio per il filtro è "sovrapposto": purché vi sia una sovrapposizione tra il tempo di risultato effettivo (basato su set di dati: set di dati di destinazione [data di inizio, data di fine]) e il valore specificato [start_time, end_time], il risultato verrà prelevato.
Se sono presenti più output per una data di destinazione perché il calcolo della deriva è stato eseguito più volte rispetto a quel giorno, solo l'output più recente verrà selezionato per impostazione predefinita.
Dato che esistono più tipi di un'istanza di deriva dei dati, il contenuto del risultato può essere vari.

Per i risultati basati su set di dati, l'output sarà simile al seguente:


   results : [{'drift_type': 'DatasetBased',
               'result':[{'has_drift': True, 'drift_threshold': 0.3,
                          'start_date': '2019-04-03', 'end_date': '2019-04-04',
                          'base_dataset_id': '4ac144ef-c86d-4c81-b7e5-ea6bbcd2dc7d',
                          'target_dataset_id': '13445141-aaaa-bbbb-cccc-ea23542bcaf9'}]}]
   metrics : [{'drift_type': 'DatasetBased',
               'metrics': [{'schema_version': '0.1',
                            'start_date': '2019-04-03', 'end_date': '2019-04-04',
                            'baseline_dataset_id': '4ac144ef-c86d-4c81-b7e5-ea6bbcd2dc7d',
                            'target_dataset_id': '13445141-aaaa-bbbb-cccc-ea23542bcaf9'
                            'dataset_metrics': [{'name': 'datadrift_coefficient', 'value': 0.53459}],
                            'column_metrics': [{'feature1': [{'name': 'datadrift_contribution',
                                                              'value': 288.0},
                                                             {'name': 'wasserstein_distance',
                                                              'value': 4.858040000000001},
                                                             {'name': 'energy_distance',
                                                              'value': 2.7204799576545313}]}]}]}]

list

Ottenere un elenco di oggetti DataDriftDetector per l'area di lavoro specificata e il set di dati facoltativo.

NOTA: Passando solo il workspace parametro restituirà tutti gli oggetti DataDriftDetector definiti nell'area di lavoro.

static list(workspace, baseline_dataset=None, target_dataset=None)

Parametri

Nome	Descrizione
workspace Necessario	Workspace Area di lavoro in cui sono stati creati gli oggetti DataDriftDetector.
baseline_dataset	TabularDataset Set di dati di base per filtrare l'elenco restituito. Valore predefinito: None
target_dataset	TabularDataset Set di dati di destinazione per filtrare l'elenco restituito. Valore predefinito: None

Restituisce

Tipo	Descrizione
list[DataDriftDetector]	Elenco di oggetti DataDriftDetector.

run

Eseguire un'analisi della deriva dei dati in un singolo punto nel tempo.

run(target_date, compute_target=None, create_compute_target=False, feature_list=None, drift_threshold=None)

Parametri

Nome	Descrizione
target_date Necessario	datetime Data di destinazione dei dati di assegnazione dei punteggi in formato UTC.
compute_target	ComputeTarget oppure str Nome computetarget o calcolo di Azure Machine Learning facoltativo. Se non specificato, viene creata automaticamente una destinazione di calcolo. Valore predefinito: None
create_compute_target	bool Indica se una destinazione di calcolo di Azure Machine Learning viene creata automaticamente. Valore predefinito: False
feature_list	list[str] Funzionalità facoltative nell'elenco elementi consentiti in cui eseguire il rilevamento datadrift. Valore predefinito: None
drift_threshold	float Soglia facoltativa per abilitare gli avvisi di DataDriftDetector. Valore predefinito: None

Restituisce

Tipo	Descrizione
Run	Esecuzione di DataDriftDetector.

show

Mostra la tendenza alla deriva dei dati in un determinato intervallo di tempo.

Per impostazione predefinita, questo metodo mostra i 10 cicli più recenti. Ad esempio, se la frequenza è giorno, sarà l'ultimo 10 giorni. Se la frequenza è settimanale, sarà la più recente di 10 settimane.

show(start_time=None, end_time=None)

Parametri

Nome	Descrizione
start_time	datetime, <xref:optional> Inizio dell'intervallo di tempo della presentazione in formato UTC. Il valore predefinito None indica di raccogliere i risultati del 10° ciclo più recenti. Valore predefinito: None
end_time	datetime, <xref:optional> Fine dell'intervallo di tempo dei dati della presentazione in formato UTC. Il valore predefinito Nessuno indica il giorno corrente. Valore predefinito: None

Restituisce

Tipo	Descrizione
dict()	Dizionario di tutte le figure. La chiave è service_name.

update

Aggiornare la pianificazione associata all'oggetto DataDriftDetector.

I valori dei parametri facoltativi possono essere impostati su None. In caso contrario, per impostazione predefinita vengono usati i valori esistenti.

update(compute_target=Ellipsis, feature_list=Ellipsis, schedule_start=Ellipsis, alert_config=Ellipsis, drift_threshold=Ellipsis, wait_for_completion=True)

Parametri

Nome	Descrizione
compute_target	ComputeTarget oppure str Nome computetarget o calcolo di Azure Machine Learning facoltativo. DataDriftDetector creerà una destinazione di calcolo se questo parametro non è specificato. Valore predefinito: Ellipsis
feature_list	list[str] Funzionalità incluse nell'elenco elementi consentiti per eseguire il rilevamento di datadrift. Valore predefinito: Ellipsis
schedule_start	datetime Ora di inizio della pianificazione della deriva dei dati in formato UTC. Valore predefinito: Ellipsis
alert_config	AlertConfiguration Oggetto di configurazione facoltativo per gli avvisi di DataDriftDetector. Valore predefinito: Ellipsis
drift_threshold	float Soglia in cui abilitare gli avvisi di DataDriftDetector. Valore predefinito: Ellipsis
wait_for_completion	bool Indica se attendere il completamento delle operazioni di abilitazione/disabilitazione/eliminazione. Valore predefinito: True

Restituisce

Tipo	Descrizione
DataDriftDetector	self

Attributi

alert_config

Ottenere la configurazione dell'avviso per l'oggetto DataDriftDetector.

Restituisce

Tipo	Descrizione
AlertConfiguration	Oggetto AlertConfiguration.

baseline_dataset

Ottiene il set di dati di base associato all'oggetto DataDriftDetector.

Restituisce

Tipo	Descrizione
TabularDataset	Tipo di set di dati del set di dati di base.

compute_target

Ottenere la destinazione di calcolo collegata all'oggetto DataDriftDetector.

Restituisce

Tipo	Descrizione
ComputeTarget	La destinazione di calcolo.

drift_threshold

Ottiene la soglia di deriva per l'oggetto DataDriftDetector.

Restituisce

Tipo	Descrizione
float	Soglia di deriva.

drift_type

Ottenere il tipo di DataDriftDetector, 'DatasetBased' è l'unico valore supportato per il momento.

Restituisce

Tipo	Descrizione
str	Tipo di oggetto DataDriftDetector.

enabled

Ottiene il valore booleano che indica se l'oggetto DataDriftDetector è abilitato.

Restituisce

Tipo	Descrizione
bool	Valore booleano; True per abilitato.

feature_list

Ottenere l'elenco delle funzionalità dell'elenco elementi consentiti per l'oggetto DataDriftDetector.

Restituisce

Tipo	Descrizione
list[str]	Elenco di nomi di funzionalità.

frequency

Ottenere la frequenza della pianificazione di DataDriftDetector.

Restituisce

Tipo	Descrizione
str	Stringa di "Day", "Week" o "Month"

interval

Ottiene l'intervallo della pianificazione dataDriftDetector.

Restituisce

Tipo	Descrizione
int	Valore intero dell'unità temporale.

latency

Ottenere la latenza dei processi di pianificazione di DataDriftDetector (in ore).

Restituisce

Tipo	Descrizione
int	Numero di ore che rappresentano la latenza.

name

Ottenere il nome dell'oggetto DataDriftDetector.

Restituisce

Tipo	Descrizione
str	Nome DataDriftDetector.

schedule_start

Ottiene l'ora di inizio della pianificazione.

Restituisce

Tipo	Descrizione
datetime	Oggetto datetime dell'ora di inizio della pianificazione in formato UTC.

state

Indica lo stato della pianificazione dataDriftDetector.

Restituisce

Tipo	Descrizione
str	Uno di 'Disabled', 'Enabled', 'Deleted', 'Disableing', 'Enable', 'Delete', 'Failed', 'DisableFailed', 'EnableFailed', 'DeleteFailed'.

target_dataset

Ottiene il set di dati di destinazione associato all'oggetto DataDriftDetector.

Restituisce

Tipo	Descrizione
TabularDataset	Tipo di set di dati del set di dati di base.

workspace

Ottenere l'area di lavoro dell'oggetto DataDriftDetector.

Restituisce

Tipo	Descrizione
Workspace	L'area di lavoro in cui è stato creato l'oggetto DataDriftDetector.

Condividi tramite

DataDriftDetector Classe

Costruttore

Parametri

Commenti

Metodi

backfill

Parametri

Restituisce

create_from_datasets

Parametri

Restituisce

Eccezioni

Commenti

delete

Parametri

disable_schedule

Parametri

enable_schedule

Parametri

get_by_name

Parametri

Restituisce

get_output

Parametri

Restituisce

Commenti

list

Parametri

Restituisce

run

Parametri

Restituisce

show

Parametri

Restituisce

update

Parametri

Restituisce

Attributi

alert_config

Restituisce

baseline_dataset

Restituisce

compute_target

Restituisce

drift_threshold

Restituisce

drift_type

Restituisce

enabled

Restituisce

feature_list

Restituisce

frequency

Restituisce

interval

Restituisce

latency

Restituisce

name

Restituisce

schedule_start

Restituisce

state

Restituisce

target_dataset

Restituisce

workspace

Restituisce

Commenti e suggerimenti

Risorse aggiuntive