ray.tune.ExperimentAnalysis#

class ray.tune.ExperimentAnalysis(experiment_checkpoint_path: str | PathLike, *, storage_filesystem: pyarrow.fs.FileSystem | None = None, trials: List[Trial] | None = None, default_metric: str | None = None, default_mode: str | None = None)[源代码]#

基类：object

分析来自 Ray Train/Tune 实验的结果。

要使用此类，运行必须将报告的指标历史记录存储在日志文件中（例如，result.json 和 progress.csv）。这是默认行为，除非使用 TUNE_DISABLE_AUTO_CALLBACK_LOGGERS=1 环境变量显式排除默认日志记录器。

参数:

experiment_checkpoint_path – 指向一个 experiment_state.json 文件的路径，或包含一个 experiment_state.json 文件的目录。
default_metric – 比较结果的默认指标。可以在相应函数的 metric 参数中覆盖。
default_mode – 比较结果的默认模式。必须是 [min, max] 之一。可以通过相应函数中的 mode 参数进行覆盖。
trials – 可以通过 analysis.trials 访问的试验列表。

PublicAPI (测试版): 此API目前处于测试阶段，在成为稳定版本之前可能会发生变化。

方法

`dataframe`	返回一个从试验中构建的 pandas.DataFrame 对象。
`get_all_configs`	返回所有试验的超参数配置。
`get_best_checkpoint`	获取所提供试验的最佳持久检查点路径。
`get_best_config`	获取与试验相对应的最佳配置。
`get_best_trial`	获取最佳试验对象。
`get_last_checkpoint`	获取所提供试验的最后一个检查点，即具有最高“training_iteration”的检查点。

属性