Este componente utiliza a biblioteca AutoKeras

Espera-se como entrada para o componente um arquivo .zip contendo as pastas "train", "test" e "val". Estas três pastas devem conter uma pasta por classe existente no conjunto de dados com as imagens da respectiva classe que serão utilizadas para treino, teste e validação.

Além disso, deve-se fornecer na raiz do arquivo .zip um arquivo dataset.csv, contendo as colunas "image_path", "target" e "subset", onde:

• image_path: caminho para o arquivo de imagem.
• target: resposta esperada da predição, caso exista.
• subset: conjunto ao qual a amostra faz parte, pode ser "train", "test", e "val".

A seguir são listados todos os parâmetros utilizados pelo componente:

• num_epochs: integer, padrão: 16.
  Número de épocas para executar em cada tentativa de configuração. Deve ser maior ou igual a 2.
• trials: integer, padrão: 5.
  Quantidade de tentativas de configuração a ser testada.
• batch_size: integer, padrão: 8.
  Quantas imagens serão enviadas por vez para a rede. Números altos consomem muita memória RAM
• target_size: integer, padrão: 256.
  Tamanho da imagem de entrada das redes. A imagem será quadrada.
• brightness_range: float, padrão: None.
  Faixa para escolher o valor da mudança de brilho.
• channel_shift_range: float, padrão: 0.0.
  Faixa para mudanças aleatórias dos canais.
• cval: float, padrão: 0.0.
  Valor usado para pontos fora dos limites quando fill_mode = "constant"
• data_format: string, {["channels_first", "channels_last"]}, padrão: channels_last.
  Formato dos dados da imagem.
• dtype: string, padrão: float32.
  Tipo para usar nos arrays gerados.
• featurewise_center: bool, padrão: False.
  Faz a média igual a zero em todo o dataset em termos de features.
• featurewise_std_normalization: bool, padrão: False.
  Divide entradas pelo desvio padrão (std) do dataset em termos de features.
• fill_mode: string, {["constant", "nearest", "reflect", "wrap"]}, padrão: nearest.
  Algoritmo usado para preencher regiões caso necessário.
• horizontal_flip: bool, padrão: False.
  Aumentação] Aplica inversão horizontal nas entragas aleatoriamente.
• preprocessing_function: string, padrão: None.
  Funções que serão aplicadas em cada entrada. A função irá rodar após a imagem ser aumentada e redimensionada.
• rescale: float, padrão: 1./255.
  Fator de re-escala. Se None ou 0, nenhuma re-escala será aplicada, caso contrário cada data será multiplicado pelo valor especificado.
• rotation_range: integer, padrão: 0.
  Faixa de graus para rotações aletórias.
• samplewise_center: bool, padrão: False.
  Define cada média de amostra para 0.
• samplewise_std_normalization: bool, padrão: False.
  Divide cada entrada por seu desvio padrão.
• shear_range: float, padrão: 0.0.
  Intensidade de corte (Ângulo de corte na direção anti-horária em graus).
• vertical_flip: bool, padrão: False.
  Aplica inversão vertical nas entragas aleatoriamente.
• zca_whitening: bool, padrão: False.
  Aplica clareamento ZCA.
• zca_epsilon: float, padrão: 1e-6.
  Valor de epsilon para clareamento ZCA
• zoom_range: float, padrão: 0.0.
  Faixa para zoom aleatório. Float ou intervalo do tipo [menor, maior].
• height_shift_range: float, padrão: 0.0.
  Float, 1-D array-like ou integer.
• width_shift_range: float, padrão: 0.0.
  Float, 1-D array-like ou integer

O retorno durante a experimentação ajuda o usuário observar se o melhor modelo encontrado pelo AutoKeras desempenhou bem através do relatório de classificação e da matriz de confusão obtidos usando o conjunto de teste.

Os retornos são o nome da classe predita e a probabilidade associada a predição.