Referência da API Python do AutoML

Este artigo descreve o site AutoML Python API, que fornece métodos para iniciar a classificação, a regressão e a previsão de execução AutoML. Cada chamada de método treina um conjunto de modelos e gera um Notebook de teste para cada modelo.

Para obter mais informações sobre AutoML, incluindo uma opção de UI de baixo código, consulte O que é AutoML?

Classificar

O método databricks.automl.classify configura uma execução do AutoML para treinar um modelo de classificação.

nota

O parâmetro max_trials foi preterido no Databricks Runtime 10,4 ML e não tem suporte no Databricks Runtime 11,0 MLe acima. Use timeout_minutes para controlar a duração de uma execução do AutoML.

Python

databricks.automl.classify(
  dataset: Union[pyspark.sql.DataFrame, pandas.DataFrame, pyspark.pandas.DataFrame, str],
  *,
  target_col: str,
  primary_metric: str = "f1",
  data_dir: Optional[str] = None,
  experiment_dir: Optional[str] = None,                             # <DBR> 10.4 LTS ML and above
  experiment_name: Optional[str] = None,                            # <DBR> 12.1 ML and above
  exclude_cols: Optional[List[str]] = None,                         # <DBR> 10.3 ML and above
  exclude_frameworks: Optional[List[str]] = None,                   # <DBR> 10.3 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
  pos_label: Optional[Union[int, bool, str]] = None,                 # <DBR> 11.1 ML and above
  time_col: Optional[str] = None,
  split_col: Optional[str] = None,                                  # <DBR> 15.3 ML and above
  sample_weight_col: Optional[str] = None                           # <DBR> 15.4 ML and above
  max_trials: Optional[int] = None,                                 # <DBR> 10.5 ML and below
  timeout_minutes: Optional[int] = None,
) -> AutoMLSummary

Classificar parâmetros

Nome do parâmetro	Tipo	Descrição
dataset	str, pandas.DataFrame, pyspark.DataFrame, pyspark.sql.DataFrame	Insira o nome da tabela ou DataFrame que contém o treinamento recurso e o destino. O nome da tabela pode estar no formato "<database_name>.<table_name>" "<schema_name>.<table_name>"para tabelas que não sejam do Unity Catalog.
target_col	str	Nome da coluna para o rótulo de destino.
primary_metric	str	métricas usadas para avaliar e classificar o desempenho do modelo. Métricas suportadas para regressão: "r2" (default), "mae", "rmse", "mse" Métricas suportadas para classificação: "f1" (default), "logs", "precision", "accuracy", "ROC"
data_dir	str do formato dbfs:/<folder-name>	Opcional. DBFS caminho usado para armazenar o treinamento dataset. Esse caminho é visível para os nós do driver e do worker. Databricks recomenda deixar esse campo vazio, para que o site AutoML possa salvar o treinamento dataset como um artefato MLflow. Se um caminho personalizado for especificado, o dataset não herdará as permissões de acesso do experimento AutoML.
experiment_dir	str	Opcional. Caminho para o diretório no site workspace para salvar o Notebook e os experimentos gerados. Se o senhor estiver usando um recurso compute atribuído a um grupo, defina-o como uma pasta na qual o grupo tenha permissão de gravação. padrão: /Users/<username>/databricks_automl/
experiment_name	str	Opcional. Nome do experimento MLflow que o AutoML cria. padrão: O nome é gerado automaticamente.
exclude_cols	List[str]	Opcional. Lista de colunas a serem ignoradas durante os cálculos do AutoML. padrão: []
exclude_frameworks	List[str]	Opcional. Lista de estruturas de algoritmos que o AutoML não deve considerar ao desenvolver modelos. Valores possíveis: lista vazia, ou um ou mais de "sklearn", "lightgbm", "xgboost". padrão: [] (todos os frameworks são considerados)
feature_store_lookups	List[Dict]	Opcional. Lista de dicionários que representam recurso do recurso Store para aumento de dados. As chaves válidas em cada dicionário são: table_name (str): Obrigatório. Nome da tabela de recursos. lookup_key (list ou str): Obrigatório. Nome(s) da(s) coluna(s) a ser(em) usado(s) como key ao unir a tabela de recurso com os dados passados no parâmetro dataset. A ordem dos nomes das colunas deve corresponder à ordem da chave primária da tabela de recursos. timestamp_lookup_key (str): Necessário se a tabela especificada for uma tabela de recurso de série temporal. O nome da coluna a ser usada ao realizar a pesquisa pontual na tabela de recursos com os dados passados no parâmetro dataset. padrão: []
imputers	Dict[str, Union[str, Dict[str, Any]]]	Opcional. Dicionário em que cada key é um nome de coluna e cada valor é uma cadeia de caracteres ou um dicionário que descreve a estratégia de imputação. Se for especificado como uma cadeia de caracteres, o valor deverá ser uma das opções "mean" (média), "median" (mediana) ou "most_frequent" (mais frequente). Para imputar com um valor conhecido, especifique o valor como um dicionário {"strategy": "constant", "fill_value": <desired value>}. O senhor também pode especificar opções de strings como dicionários, por exemplo, {"strategy": "mean"}. Se nenhuma estratégia de imputação for fornecida para uma coluna, o site AutoML seleciona uma estratégia default com base no tipo e no conteúdo da coluna. Se o senhor especificar um método de imputação que não seja odefault, o AutoML não realizará a detecção do tipo semântico. padrão: {}
pos_label	Union[int, bool, str]	(Somente classificação) A classe positiva. Isso é útil para calcular métricas como precisão e recall. Só deve ser especificado para problemas de classificação binária.
time_col	str	Disponível no Databricks Runtime 10.1 MLe acima. Opcional. Nome da coluna para uma coluna de tempo. Se fornecido, o site AutoML tenta dividir o dataset em conjuntos de treinamento, validação e teste cronologicamente, usando os pontos mais antigos como dados de treinamento e os pontos mais recentes como conjunto de teste. Os tipos de coluna aceitos são timestamp e integer. Com o Databricks Runtime 10.2 MLe acima, colunas strings também são suportadas. Se o tipo de coluna for strings, o AutoML tentará convertê-lo em carimbo de data/hora usando a detecção semântica. Se a conversão falhar, a execução do AutoML falhará.
split_col	str	Opcional. Nome da coluna para uma coluna dividida. Disponível somente em Databricks Runtime 15.3 ML e acima para API fluxo de trabalho. Se fornecido, o site AutoML tentará dividir os conjuntos de treinamento/validação/teste por valores especificados pelo usuário, e essa coluna será automaticamente excluída do treinamento recurso. O tipo de coluna aceito é a cadeia de caracteres. O valor de cada entrada nessa coluna deve ser um dos seguintes: “treinar”, “validar” ou “testar”.
sample_weight_col	str	Disponível em Databricks Runtime 15.4 ML e acima para classificação API fluxo de trabalho. Opcional. Nome da coluna no site dataset que contém os pesos da amostra para cada linha. A classificação suporta pesos amostrais por classe. Esses pesos ajustam a importância de cada classe durante o treinamento do modelo. Cada amostra dentro de uma classe deve ter o mesmo peso amostral e os pesos devem ser valores decimais ou inteiros não negativos, variando de 0 a 10.000. Classes com pesos amostrais maiores são consideradas mais importantes e têm maior influência no algoritmo de aprendizado. Se essa coluna não for especificada, presume-se que todas as classes tenham o mesmo peso.
max_trials	int	Opcional. Número máximo de tentativas para execução. Esse parâmetro está disponível no Databricks Runtime 10.5 ML e abaixo, mas está obsoleto a partir do Databricks Runtime 10.3 ML. Em Databricks Runtime 11.0 ML e acima, não há suporte para esse parâmetro. padrão: 20 Se timeout_minutes=None, AutoML executa o número máximo de tentativas.
timeout_minutes	int	Opcional. Tempo máximo de espera para que os testes do AutoML sejam concluídos. Os tempos limite mais longos permitem que o site AutoML execute mais testes e identifique um modelo com melhor precisão. Padrão: 120 minutos Valor mínimo: 5 minutos Um erro é relatado se o tempo limite for muito curto para permitir a conclusão de pelo menos uma tentativa.

Regressão

O método databricks.automl.regress configura uma execução do AutoML para treinar um modelo de regressão. Esse método retorna um AutomlSummary.

nota

O parâmetro max_trials foi preterido no Databricks Runtime 10,4 ML e não tem suporte no Databricks Runtime 11,0 MLe acima. Use timeout_minutes para controlar a duração de uma execução do AutoML.

Python

databricks.automl.regress(
  dataset: Union[pyspark.sql.DataFrame, pandas.DataFrame, pyspark.pandas.DataFrame, str],
  *,
  target_col: str,
  primary_metric: str = "r2",
  data_dir: Optional[str] = None,
  experiment_dir: Optional[str] = None,                             # <DBR> 10.4 LTS ML and above
  experiment_name: Optional[str] = None,                            # <DBR> 12.1 ML and above
  exclude_cols: Optional[List[str]] = None,                         # <DBR> 10.3 ML and above
  exclude_frameworks: Optional[List[str]] = None,                   # <DBR> 10.3 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
  time_col: Optional[str] = None,
  split_col: Optional[str] = None,                                  # <DBR> 15.3 ML and above
  sample_weight_col: Optional[str] = None,                          # <DBR> 15.3 ML and above
  max_trials: Optional[int] = None,                                 # <DBR> 10.5 ML and below
  timeout_minutes: Optional[int] = None,
) -> AutoMLSummary

Parâmetros de regressão

Nome do parâmetro	Tipo	Descrição
dataset	str, pandas.DataFrame, pyspark.DataFrame, pyspark.sql.DataFrame	Insira o nome da tabela ou DataFrame que contém o treinamento recurso e o destino. O nome da tabela pode estar no formato "<database_name>.<table_name>" "<schema_name>.<table_name>"para tabelas que não sejam do Unity Catalog.
target_col	str	Nome da coluna para o rótulo de destino.
primary_metric	str	métricas usadas para avaliar e classificar o desempenho do modelo. Métricas suportadas para regressão: "r2" (default), "mae", "rmse", "mse" Métricas suportadas para classificação: "f1" (default), "logs", "precision", "accuracy", "ROC"
data_dir	str do formato dbfs:/<folder-name>	Opcional. DBFS caminho usado para armazenar o treinamento dataset. Esse caminho é visível para os nós do driver e do worker. Databricks recomenda deixar esse campo vazio, para que o site AutoML possa salvar o treinamento dataset como um artefato MLflow. Se um caminho personalizado for especificado, o dataset não herdará as permissões de acesso do experimento AutoML.
experiment_dir	str	Opcional. Caminho para o diretório no site workspace para salvar o Notebook e os experimentos gerados. padrão: /Users/<username>/databricks_automl/
experiment_name	str	Opcional. Nome do experimento MLflow que o AutoML cria. padrão: O nome é gerado automaticamente.
exclude_cols	List[str]	Opcional. Lista de colunas a serem ignoradas durante os cálculos do AutoML. padrão: []
exclude_frameworks	List[str]	Opcional. Lista de estruturas de algoritmos que o AutoML não deve considerar ao desenvolver modelos. Valores possíveis: lista vazia, ou um ou mais de "sklearn", "lightgbm", "xgboost". padrão: [] (todos os frameworks são considerados)
feature_store_lookups	List[Dict]	Opcional. Lista de dicionários que representam recurso do recurso Store para aumento de dados. As chaves válidas em cada dicionário são: table_name (str): Obrigatório. Nome da tabela de recursos. lookup_key (list ou str): Obrigatório. Nome(s) da(s) coluna(s) a ser(em) usado(s) como key ao unir a tabela de recurso com os dados passados no parâmetro dataset. A ordem dos nomes das colunas deve corresponder à ordem da chave primária da tabela de recursos. timestamp_lookup_key (str): Necessário se a tabela especificada for uma tabela de recurso de série temporal. O nome da coluna a ser usada ao realizar a pesquisa pontual na tabela de recursos com os dados passados no parâmetro dataset. padrão: []
imputers	Dict[str, Union[str, Dict[str, Any]]]	Opcional. Dicionário em que cada key é um nome de coluna e cada valor é uma cadeia de caracteres ou um dicionário que descreve a estratégia de imputação. Se for especificado como uma cadeia de caracteres, o valor deverá ser uma das opções "mean" (média), "median" (mediana) ou "most_frequent" (mais frequente). Para imputar com um valor conhecido, especifique o valor como um dicionário {"strategy": "constant", "fill_value": <desired value>}. O senhor também pode especificar opções de strings como dicionários, por exemplo, {"strategy": "mean"}. Se nenhuma estratégia de imputação for fornecida para uma coluna, o site AutoML seleciona uma estratégia default com base no tipo e no conteúdo da coluna. Se o senhor especificar um método de imputação que não seja odefault, o AutoML não realizará a detecção do tipo semântico. padrão: {}
time_col	str	Disponível no Databricks Runtime 10.1 MLe acima. Opcional. Nome da coluna para uma coluna de tempo. Se fornecido, o site AutoML tenta dividir o dataset em conjuntos de treinamento, validação e teste cronologicamente, usando os pontos mais antigos como dados de treinamento e os pontos mais recentes como conjunto de teste. Os tipos de coluna aceitos são timestamp e integer. Com o Databricks Runtime 10.2 MLe acima, colunas strings também são suportadas. Se o tipo de coluna for strings, o AutoML tentará convertê-lo em carimbo de data/hora usando a detecção semântica. Se a conversão falhar, a execução do AutoML falhará.
split_col	str	Opcional. Nome da coluna para uma coluna dividida. Disponível somente em Databricks Runtime 15.3 ML e acima para API fluxo de trabalho. Se fornecido, o site AutoML tentará dividir os conjuntos de treinamento/validação/teste por valores especificados pelo usuário, e essa coluna será automaticamente excluída do treinamento recurso. O tipo de coluna aceito é a cadeia de caracteres. O valor de cada entrada nessa coluna deve ser um dos seguintes: “treinar”, “validar” ou “testar”.
sample_weight_col	str	Disponível em Databricks Runtime 15.3 ML e acima para regressão API fluxo de trabalho. Opcional. Nome da coluna no site dataset que contém os pesos da amostra para cada linha. Esses pesos ajustam a importância de cada linha durante o treinamento do modelo. Os pesos devem ser valores decimais ou inteiros não negativos, variando de 0 a 10.000. Linhas com pesos amostrais maiores são consideradas mais importantes e têm maior influência no algoritmo de aprendizado. Se essa coluna não for especificada, presume-se que todas as linhas tenham o mesmo peso.
max_trials	int	Opcional. Número máximo de tentativas para execução. Esse parâmetro está disponível no Databricks Runtime 10.5 ML e abaixo, mas está obsoleto a partir do Databricks Runtime 10.3 ML. Em Databricks Runtime 11.0 ML e acima, não há suporte para esse parâmetro. padrão: 20 Se timeout_minutes=None, AutoML executa o número máximo de tentativas.
timeout_minutes	int	Opcional. Tempo máximo de espera para que os testes do AutoML sejam concluídos. Os tempos limite mais longos permitem que o site AutoML execute mais testes e identifique um modelo com melhor precisão. Padrão: 120 minutos Valor mínimo: 5 minutos Um erro é relatado se o tempo limite for muito curto para permitir a conclusão de pelo menos uma tentativa.

Previsão

O método databricks.automl.forecast configura uma execução AutoML para o treinamento de um modelo de previsão. Esse método retorna um AutomlSummary. Para usar o Auto-ARIMA, a série temporal deve ter uma frequência regular (ou seja, o intervalo entre dois pontos quaisquer deve ser o mesmo em toda a série temporal). A frequência deve corresponder à unidade de frequência especificada na chamada de API. O AutoML lida com as etapas de tempo ausentes preenchendo esses valores com o valor anterior.

Python

databricks.automl.forecast(
  dataset: Union[pyspark.sql.DataFrame, pandas.DataFrame, pyspark.pandas.DataFrame, str],
  *,
  target_col: str,
  time_col: str,
  primary_metric: str = "smape",
  country_code: str = "US",                                         # <DBR> 12.0 ML and above
  frequency: str = "D",
  horizon: int = 1,
  data_dir: Optional[str] = None,
  experiment_dir: Optional[str] = None,
  experiment_name: Optional[str] = None,                            # <DBR> 12.1 ML and above
  exclude_frameworks: Optional[List[str]] = None,
  feature_store_lookups: Optional[List[Dict]] = None,               # <DBR> 12.2 LTS ML and above
  identity_col: Optional[Union[str, List[str]]] = None,
  sample_weight_col: Optional[str] = None,                          # <DBR> 16.0 ML and above
  output_database: Optional[str] = None,                            # <DBR> 10.5 ML and above
  timeout_minutes: Optional[int] = None,
) -> AutoMLSummary

Parâmetros de previsão

Nome do parâmetro	Tipo	Descrição
dataset	str, pandas.DataFrame, pyspark.DataFrame, pyspark.sql.DataFrame	Insira o nome da tabela ou DataFrame que contém o treinamento recurso e o destino. O nome da tabela pode estar no formato "..." ou "." para tabelas que não sejam do Unity Catalog
target_col	str	Nome da coluna para o rótulo de destino.
time_col	str	Nome da coluna de tempo para previsão.
primary_metric	str	métricas usadas para avaliar e classificar o desempenho do modelo. Métricas suportadas: "smape" (default), "mse", "rmse", "mae" ou "mdape".
country_code	str	Disponível no Databricks Runtime 12,0 MLe acima. Suportado apenas pelo modelo de previsão do Profeta. Opcional. Código de país de duas letras que indica quais feriados do país o modelo de previsão deve usar. Para ignorar os feriados, defina esse parâmetro como uma cadeia de caracteres vazia (""). Países suportados. padrão: US (feriados nos Estados Unidos).
frequency	str	Frequência da série temporal para previsão. Esse é o período com o qual se espera que os eventos ocorram. A configuração do site default é "D" ou dados diários. Certifique-se de alterar a configuração se seus dados tiverem uma frequência diferente. Valores possíveis: “W” (semanas) “D”/“dias”/“dia” “horas”/“hora”/“hora”/“h” “m”/“minuto”/“min”/“minutos”/“T” “S”/“segundos”/“seg”/“segundo” O seguinte está disponível apenas com Databricks Runtime 12.0 MLe acima: “M”/“mês”/“meses” “Q”/“trimestre”/“trimestres” “Y”/“ano”/“anos” Padrão: "D".
horizon	int	Número de períodos futuros para os quais as previsões devem ser retornadas. As unidades são a frequência da série temporal. padrão: 1
data_dir	str do formato dbfs:/<folder-name>	Opcional. DBFS caminho usado para armazenar o treinamento dataset. Esse caminho é visível para os nós do driver e do worker. Databricks recomenda deixar esse campo vazio, para que o site AutoML possa salvar o treinamento dataset como um artefato MLflow. Se um caminho personalizado for especificado, o dataset não herdará as permissões de acesso do experimento AutoML.
experiment_dir	str	Opcional. Caminho para o diretório no site workspace para salvar o Notebook e os experimentos gerados. padrão: /Users/<username>/databricks_automl/
experiment_name	str	Opcional. Nome do experimento MLflow que o AutoML cria. padrão: O nome é gerado automaticamente.
exclude_frameworks	List[str]	Opcional. Lista de estruturas de algoritmos que o AutoML não deve considerar ao desenvolver modelos. Valores possíveis: lista vazia ou um ou mais de “profeta”, “arima”. padrão: [] (todos os frameworks são considerados)
feature_store_lookups	List[Dict]	Opcional. Lista de dicionários que representam recurso do recurso Store para aumento de dados covariados. As chaves válidas em cada dicionário são: table_name (str): Obrigatório. Nome da tabela de recursos. lookup_key (list ou str): Obrigatório. Nome(s) da(s) coluna(s) a ser(em) usado(s) como key ao unir a tabela de recurso com os dados passados no parâmetro dataset. A ordem dos nomes das colunas deve corresponder à ordem da chave primária da tabela de recursos. timestamp_lookup_key (str): Necessário se a tabela especificada for uma tabela de recurso de série temporal. O nome da coluna a ser usada ao realizar a pesquisa pontual na tabela de recursos com os dados passados no parâmetro dataset. padrão: []
identity_col	Union[str, list]	Opcional. Coluna (s) que identifica a série temporal para previsão de várias séries. O AutoML agrupa por essa(s) coluna(s) e a coluna de tempo para previsão.
sample_weight_col	str	Disponível em Databricks Runtime 16.0 ML e acima. Somente para fluxo de trabalho com várias séries temporais. Opcional. Especifica a coluna no site dataset que contém os pesos da amostra. Esses pesos indicam a importância relativa de cada série temporal durante o treinamento e a avaliação do modelo. Séries temporais com pesos maiores têm maior influência no modelo. Se não forem fornecidas, todas as séries temporais serão tratadas com o mesmo peso. Todas as linhas pertencentes à mesma série temporal devem ter o mesmo peso. Os pesos devem ser valores não negativos, decimais ou inteiros, e estar entre 0 e 10.000.
output_database	str	Opcional. Se fornecido, o AutoML salvará as previsões do melhor modelo em uma nova tabela no banco de dados especificado. padrão: As previsões não são salvas.
timeout_minutes	int	Opcional. Tempo máximo de espera para que os testes do AutoML sejam concluídos. Os tempos limite mais longos permitem que o site AutoML execute mais testes e identifique um modelo com melhor precisão. Padrão: 120 minutos Valor mínimo: 5 minutos Um erro é relatado se o tempo limite for muito curto para permitir a conclusão de pelo menos uma tentativa.

Importar Notebook

O método databricks.automl.import_notebook importa um Notebook que foi salvo como um artefato do site MLflow. Esse método retorna um importNotebookResult.

Python

databricks.automl.import_notebook(
  artifact_uri: str,
  path: str,
  overwrite: bool = False
) -> ImportNotebookResult:

Parâmetros	Tipo	Descrição
artifact_uri	str	O URI do artefato MLflow que contém o Notebook de teste.
path	str	O caminho no site Databricks workspace para onde o Notebook deve ser importado. Esse deve ser um caminho absoluto. O diretório será criado se não existir.
overwrite	bool	Se o Notebook deve ser substituído, caso já exista. É False por default.

Exemplo de Notebook de importação

Python

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

Objeto de resumo de uma execução do AutoML que descreve as métricas, os parâmetros e outros detalhes de cada um dos testes. Você também usa esse objeto para carregar o modelo treinado por um teste específico.

Propriedade	Tipo	Descrição
experiment	mlflow.entities.Experiment	O experimento MLflow usado para log os testes.
trials	List[TrialInfo]	Uma lista de objetos TrialInfo contendo informações sobre todas as tentativas que foram executadas.
best_trial	TrialInfo	Um objeto TrialInfo contendo informações sobre o estudo que resultou na melhor pontuação ponderada para as métricas primárias.
metric_distribution	str	A distribuição dos escores ponderados para as métricas primárias em todos os estudos.
output_table_name	str	Usado somente com previsão e somente se output_database for fornecido. Nome da tabela em output_database contendo as previsões do modelo.

TrialInfo

Objeto resumido para cada ensaio individual.

Propriedade	Tipo	Descrição
notebook_path	Optional[str]	O caminho para o Notebook gerado para esse teste no site workspace. Para classificação e regressão, esse valor é definido somente para a melhor tentativa, enquanto todas as outras tentativas têm o valor definido como None. Para previsão, esse valor está presente em todos os ensaios.
notebook_url	Optional[str]	O URL do Notebook gerado para esse teste. Para classificação e regressão, esse valor é definido somente para a melhor tentativa, enquanto todas as outras tentativas têm o valor definido como None. Para previsão, esse valor está presente em todos os ensaios.
artifact_uri	Optional[str]	O URI do artefato MLflow para o Notebook gerado.
mlflow_run_id	str	A ID de execução do MLflow associada a essa execução de teste.
metrics	Dict[str, float]	As métricas acessam MLflow para esse teste.
params	Dict[str, str]	O registro dos parâmetros em MLflow que foram usados para este teste.
model_path	str	O URL do artefato do MLflow do modelo treinado nessa tentativa.
model_description	str	Breve descrição do modelo e dos hiperparâmetros usados para o treinamento desse modelo.
duration	str	treinamento duração em minutos.
preprocessors	str	Descrição da execução dos pré-processadores antes do treinamento do modelo.
evaluation_metric_score	float	Pontuação de métricas primárias, avaliadas para a validação dataset.

TrialInfo tem um método para carregar o modelo gerado para o teste.

Método	Descrição
load_model()	Carregue o modelo gerado nesse teste, registrado como um artefato do site MLflow.

ImportNotebookResult

Propriedade	Tipo	Descrição
path	str	O caminho no site Databricks workspace para onde o Notebook deve ser importado. Esse deve ser um caminho absoluto. O diretório será criado se não existir.
url	str	O URI do artefato MLflow que contém o Notebook de teste.