Referência da API Python do Mosaic AutoML

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

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

Classificar

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

Observação

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.

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>" ou "<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` de 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. default: `/Users/<username>/databricks_automl/`
`experiment_name`	`str`	Opcional. Nome do experimento MLflow que o AutoML cria. default: O nome é gerado automaticamente.
`exclude_cols`	`List[str]`	Opcional. Lista de colunas a serem ignoradas durante os cálculos do AutoML. default: []
`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". default: [] (todas as estruturas são consideradas)
`feature_store_lookups`	`List[Dict]`	Opcional. Lista de dicionários que representam recurso do repositório de recursos para aumento de dados. As chaves válidas em cada dicionário são: `table_name` (str): Obrigatório. Nome da tabela de recursos. `lookup_key` (lista 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`. default: []
`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 fazer a imputação 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. default: {}
`pos_label`	`Union[int, bool, str]`	(Somente classificação) A classe positiva. Isso é útil para calcular métricas como precisão e recall. Deve ser especificado apenas 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 ensinar/validar/testar 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: "ensinar", "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 de amostra 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 de amostra e os pesos devem ser valores decimais ou inteiros não negativos, variando de 0 a 10.000. As classes com pesos de amostra mais altos são consideradas mais importantes e têm maior influência sobre o 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. default: 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. default: 120 minutos Valor mínimo: 5 minutos Um erro será 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 ensinar um modelo de regressão. Esse método retorna um AutoMLSummary.

Observação

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.

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>" ou "<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` de 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. default: `/Users/<username>/databricks_automl/`
`experiment_name`	`str`	Opcional. Nome do experimento MLflow que o AutoML cria. default: O nome é gerado automaticamente.
`exclude_cols`	`List[str]`	Opcional. Lista de colunas a serem ignoradas durante os cálculos do AutoML. default: []
`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". default: [] (todas as estruturas são consideradas)
`feature_store_lookups`	`List[Dict]`	Opcional. Lista de dicionários que representam recurso do repositório de recursos para aumento de dados. As chaves válidas em cada dicionário são: `table_name` (str): Obrigatório. Nome da tabela de recursos. `lookup_key` (lista 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`. default: []
`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 fazer a imputação 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. default: {}
`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 ensinar/validar/testar 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: "ensinar", "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. As linhas com pesos de amostra mais altos são consideradas mais importantes e têm maior influência sobre o 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. default: 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. default: 120 minutos Valor mínimo: 5 minutos Um erro será 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. AutoML lida com os passos de tempo ausentes preenchendo esses valores com o valor anterior.

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 os feriados do país que o modelo de previsão deve usar. Para ignorar os feriados, defina esse parâmetro como uma cadeia de caracteres vazia (""). Países suportados. default: US (feriados nos Estados Unidos).
`frequency`	`str`	Frequência da série temporal para previsão. Esse é o período em que se espera que os eventos ocorram. A configuração do site default é "D" ou dados diários. Não se esqueça de alterar a configuração se seus dados tiverem uma frequência diferente. Valores possíveis: "W" (semanas) "D" / "days" / "day" "hours" / "hour" / "hr" / "h" "m" / "minute" / "min" / "minutes" / "T" "S" / "seconds" / "sec" / "second" O seguinte está disponível apenas com Databricks Runtime 12.0 MLe acima: "M" / "month" / "months" "Q" / "quarter" / "quarters" "Y" / "year" / "years" default: "D"
`horizon`	`int`	Número de períodos no futuro para os quais as previsões devem ser retornadas. As unidades são a frequência da série temporal. default: 1
`data_dir`	`str` de 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. default: `/Users/<username>/databricks_automl/`
`experiment_name`	`str`	Opcional. Nome do experimento MLflow que o AutoML cria. default: 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 "prophet", "arima". default: [] (todas as estruturas são consideradas)
`feature_store_lookups`	`List[Dict]`	Opcional. Lista de dicionários que representam recurso do repositório de recursos para aumento de dados covariados. As chaves válidas em cada dicionário são: `table_name` (str): Obrigatório. Nome da tabela de recursos. `lookup_key` (lista 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`. default: []
`identity_col`	`Union[str, list]`	Opcional. Coluna(s) que identifica(m) 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. default: 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. default: 120 minutos Valor mínimo: 5 minutos Um erro será relatado se o tempo limite for muito curto para permitir a conclusão de pelo menos uma tentativa.

Importação Notebook

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

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 a tentativa Notebook.
`path`	`str`	O caminho em Databricks workspace onde o Notebook deve ser importado. Esse deve ser um caminho absoluto. O diretório será criado se não existir.
`overwrite`	`bool`	Se o senhor deve substituir o site Notebook caso ele já exista. É `False` por default.

Importar Notebook exemplo

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. O senhor também usa esse objeto para carregar o modelo treinado por uma tentativa específica.

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 o output_database for fornecido. Nome da tabela no output_database que contém as previsões do modelo.

`TrialInfo`

Objeto de resumo para cada teste individual.

Propriedade	Tipo	Descrição
`notebook_path`	`Optional[str]`	O caminho para o site Notebook gerado para esse teste no site workspace. Para classificação e regressão, esse valor é definido apenas para a melhor tentativa, enquanto todas as outras tentativas têm o valor definido como `None`. Para previsão, esse valor está presente em todas as tentativas.
`notebook_url`	`Optional[str]`	O URL do site Notebook gerado para esse teste. Para classificação e regressão, esse valor é definido apenas para a melhor tentativa, enquanto todas as outras tentativas têm o valor definido como `None`. Para previsão, esse valor está presente em todas as tentativas.
`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 em Databricks workspace 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 a tentativa Notebook.