설명:
상자 1: OAuth 전달자 토큰이 포함된 JSON
요청에 인증 헤더를 지정하십시오.
REST 엔드포인트에서 파이프라인을 실행하려면 OAuth2 Bearer 유형 인증 헤더가 필요합니다.
상자 2: 실험 이름이 포함된 JSON
실험 이름이 있는 JSON 페이로드 개체를 추가합니다.
예시:
rest_endpoint = 게시된_파이프라인.endpoint
응답 = requests.post(rest_endpoint,
헤더=auth_header,
json={"실험 이름": "배치 점수",
"ParameterAssignments": {"process_count_per_node": 6}})
run_id = 응답.json()["ID"]
상자 3: 실행 ID가 포함된 JSON
실행을 트리거하도록 요청합니다. 실행 ID 값을 가져오기 위해 응답 사전에서 Id 키에 액세스하는 코드를 포함합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/tutorial-pipeline-batch-scoring-classification

설명:
상자 1: 예
매개변수 source_directory는 훈련 작업에 필요한 실험 구성 및 코드 파일이 포함된 로컬 디렉터리입니다.
상자 2: 예
script_params는 entry_script에 지정된 훈련 스크립트에 전달할 명령줄 인수의 사전입니다.
상자 3: 아니요
상자 4: 예
conda_packages 매개변수는 실험을 위해 Python 환경에 추가할 conda 패키지를 나타내는 문자열 목록입니다.

설명:
의사 결정 트리에서 트리의 깊이가 분산을 결정합니다. 복잡한 결정 트리(예: deep)는 편향이 낮고 분산이 높습니다.
참고: 통계 및 기계 학습에서 편향-분산 트레이드오프는 매개변수 추정에서 편향이 낮은 모델이 샘플 전반에 걸쳐 매개변수 추정의 분산이 더 높은 예측 모델 집합의 속성이며 그 반대의 경우도 마찬가지입니다. 편향을 높이면 분산이 감소합니다. 분산을 늘리면 편향이 줄어듭니다.
참조:
https://machinelearningmastery.com/gentle-introduction-to-the-bias-variance-trade-off-in-machine-learning/

참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample

설명
대신 auth_enabled = TRUE만 사용하십시오.
참고: 키 기반 인증.
AKS에 배포된 웹 서비스에는 기본적으로 키 기반 인증이 활성화되어 있습니다. ACI 배포 서비스에는 기본적으로 키 기반 인증이 비활성화되어 있지만 ACI 웹 서비스를 생성할 때 auth_enabled = TRUE를 설정하여 활성화할 수 있습니다. 다음은 키 기반 인증이 활성화된 ACI 배포 구성을 생성하는 예입니다.
배포 구성 <- aci_webservice_deployment_config(cpu_cores = 1,
메모리_GB = 1,
auth_enabled = 참)
참조:
https://azure.github.io/azureml-sdk-for-r/articles/deploying-models.html