예시:
# 훈련 데이터 세트 가져오기
당뇨병_ds = ws.datasets.get("당뇨병 데이터 세트")
# 원격 컴퓨팅을 사용하는 추정기를 생성합니다.
hyper_estimator = SKLearn(source_directory=실험_폴더,
input=[diabetes_ds.as_named_input('diabetes')], # 데이터 세트를 입력으로 전달 compute_target = cpu_cluster, conda_packages=['pandas','ipykernel','matplotlib'], pip_packages=['azureml-sdk',' argparse','pyarrow'], entry_script='diabetes_training.py') 참조:
https://notebooks.azure.com/GraemeMalcolm/projects/azureml-primers/html/04%20-%20Optimizing%20Model
%20트레이닝.ipynb

대본:
현재 및 제안된 비용 요인 시나리오의 성능 곡선은 다음 다이어그램에 나와 있습니다.

광고 성향 모델은 컷 임계값이 0.45이고 가중치 카파가 0.1에서 벗어날 경우 재학습이 발생합니다.
+/- 5%.
모델 개발
테스트렛 2
사례 연구
이것은 사례 연구입니다. 사례 연구는 별도로 시간이 지정되지 않습니다. 각 사례를 완료하고 싶은 만큼 시험 시간을 사용할 수 있습니다. 그러나 이 시험에 추가 사례 연구 및 섹션이 있을 수 있습니다. 주어진 시간 내에 이 시험에 포함된 모든 문제를 완료할 수 있도록 시간을 관리해야 합니다.
사례 연구에 포함된 질문에 답하려면 사례 연구에 제공된 정보를 참조해야 합니다. 사례 연구에는 사례 연구에 설명된 시나리오에 대한 추가 정보를 제공하는 전시 및 기타 리소스가 포함될 수 있습니다. 각 질문은 이 사례 연구의 다른 질문과 독립적입니다.
이 사례 연구가 끝나면 검토 화면이 나타납니다. 이 화면에서 답을 검토하고 시험의 다음 섹션으로 이동하기 전에 변경할 수 있습니다. 새 섹션을 시작한 후에는 이 섹션으로 돌아갈 수 없습니다.
사례 연구를 시작하려면
이 사례 연구의 첫 번째 질문을 표시하려면 다음 버튼을 클릭하십시오. 질문에 답하기 전에 왼쪽 창의 버튼을 사용하여 사례 연구의 내용을 탐색하십시오. 이 버튼을 클릭하면 비즈니스 요구 사항, 기존 환경 및 문제 설명과 같은 정보가 표시됩니다. 사례 연구에 모든 정보 탭이 있는 경우 표시되는 정보는 후속 탭에 표시되는 정보와 동일합니다. 질문에 답할 준비가 되면 질문 버튼을 클릭하여 질문으로 돌아갑니다.
개요
당신은 미국의 고급 개인 및 상업용 부동산 전문 회사인 Fabrikam Residences의 데이터 과학자입니다. Fabrikam Residences는 유럽으로의 확장을 고려하고 있으며 주요 유럽 도시의 개인 주택 가격을 조사해 달라고 요청했습니다.
Azure Machine Learning Studio를 사용하여 속성의 중앙값을 측정합니다. 선형 회귀 및 베이지안 선형 회귀 모듈을 사용하여 부동산 가격을 예측하는 회귀 모델을 생성합니다.
데이터세트
런던과 파리의 두 도시에 대한 속성 세부 정보를 포함하는 CSV 형식의 두 데이터세트가 있습니다. 실험을 위한 시작점에 별도의 데이터 세트로 두 파일을 모두 Azure Machine Learning Studio에 추가합니다. 두 데이터세트 모두 다음 열을 포함합니다.

초기 조사에 따르면 데이터 세트는 MedianValue 열을 제외하고 구조가 동일합니다.
더 작은 파리 데이터셋에는 텍스트 형식의 MedianValue가 포함되어 있는 반면, 더 큰 런던 데이터셋에는 숫자 형식의 MedianValue가 포함되어 있습니다.
데이터 문제
누락된 값
두 데이터 세트의 AccessibilityToHighway 열에 누락된 값이 있습니다. 누락된 데이터는 누락된 값을 채우기 전에 데이터의 다른 변수를 사용하여 조건부로 모델링되도록 새 데이터로 대체되어야 합니다.
각 데이터 세트의 열에는 누락된 값과 null 값이 있습니다. 데이터 세트에는 많은 이상값도 포함되어 있습니다. 연령 열에는 이상값 비율이 높습니다. 연령 열에 이상치가 있는 행을 제거해야 합니다.
MedianValue 및 AvgRoomsInHouse 열은 모두 숫자 형식의 데이터를 보유합니다. 두 열 간의 관계를 보다 자세히 분석하려면 특성 선택 알고리즘을 선택해야 합니다.
모델 핏
모델은 과적합의 징후를 보여줍니다. 과적합을 줄이는 보다 정교한 회귀 모델을 생성해야 합니다.
실험 요구 사항
성능을 평가하려면 선형 회귀 및 베이지안 선형 회귀 모듈을 교차 검증하도록 실험을 설정해야 합니다. 각 경우에 데이터 세트의 예측 변수는 MedianValue라는 열입니다. 파리 데이터 세트의 MedianValue 열 데이터 유형이 런던 데이터 세트의 구조와 일치하는지 확인해야 합니다.
결과를 예측하려면 데이터 열의 우선 순위를 지정해야 합니다. 관계를 측정하려면 비모수 통계를 사용해야 합니다.
MediaValue와 AvgRoomsinHouse 열 간의 관계를 분석하려면 기능 선택 알고리즘이 필요합니다.
모델 교육
순열 기능의 중요성
훈련된 모델과 테스트 데이터 세트가 주어지면 특성 변수의 순열 특성 중요도 점수를 계산해야 합니다. 모델에 대한 절대 적합도를 결정해야 합니다.
초매개변수
학습 단계의 속도를 높이려면 모델 학습 프로세스에서 하이퍼파라미터를 구성해야 합니다. 또한 이 구성은 각 평가 간격에서 가장 성능이 낮은 실행을 취소하여 성공 가능성이 더 높은 모델에 노력과 자원을 집중해야 합니다.
모델이 초매개변수 조정에서 컴퓨팅 리소스를 효율적으로 사용하지 않을 수 있다는 점을 우려하고 있습니다. 또한 모델이 전체 조정 시간의 증가를 방지할 수 있다는 점을 우려하고 있습니다. 따라서 유망한 일자리를 종료하지 않고 저축을 제공하는 모델에 대한 조기 중단 기준을 구현해야 합니다.
테스트
Azure Machine Learning Studio의 파티션 및 샘플 모듈을 사용하여 샘플링을 기반으로 데이터 세트의 여러 파티션을 생성해야 합니다.
교차 검증
교차 검증을 위해 3개의 동일한 파티션을 생성해야 합니다. 또한 테스트 및 교육 데이터 세트의 행이 각 도시의 주요 강 근처에 있는 속성으로 균등하게 분할되도록 교차 검증 프로세스를 구성해야 합니다. 데이터가 샘플링 프로세스를 거치기 전에 이 작업을 완료해야 합니다.
선형 회귀 모듈
선형 회귀 모듈을 훈련할 때 모델에서 사용할 최상의 기능을 결정해야 합니다. 기능 중요도 프로세스가 완료되기 전과 후에 성능을 측정하기 위해 제공된 표준 메트릭을 선택할 수 있습니다. 여러 훈련 모델에 걸친 특성 분포는 일관되어야 합니다.
데이터 시각화
Fabrikam Residences 팀에 테스트 결과를 제공해야 합니다. 결과를 표시하는 데 도움이 되도록 데이터 시각화를 만듭니다.
모델의 진단 테스트 평가를 수행하려면 ROC(수신기 작동 특성) 곡선을 생성해야 합니다. Two-Class Decision Forest 및 Two-Class Decision Jungle 모듈을 서로 비교하려면 Azure Learning Studio에서 ROC 곡선을 생성하는 적절한 방법을 선택해야 합니다.
모델 개발
질문 세트 3

설명:
상자 1: MICE를 사용하여 교체
MICE를 사용하여 바꾸기: 이 옵션은 각 누락된 값에 대해 "연쇄 방정식을 사용한 다변량 대치" 또는 "연쇄 방정식에 의한 다중 대치"로 통계 문헌에 설명된 방법을 사용하여 계산된 새 값을 할당합니다. 다중 대치 방법을 사용하면 누락된 데이터가 있는 각 변수가 누락된 값을 채우기 전에 데이터의 다른 변수를 사용하여 조건부로 모델링됩니다.
시나리오: 두 데이터 세트의 AccessibilityToHighway 열에 누락된 값이 있습니다. 누락된 데이터는 누락된 값을 채우기 전에 데이터의 다른 변수를 사용하여 조건부로 모델링되도록 새 데이터로 대체되어야 합니다.
상자 2: 전파
모든 결측값이 있는 열은 모든 결측값의 열을 출력에 보존해야 하는지 여부를 나타냅니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data

예시:
azureml.train.estimator 가져오기 에스티메이터에서
script_params = {
# mnist 데이터셋이 참조하는 파일을 마운트하기 위해
'--데이터 폴더': mnist_file_dataset.as_named_input('mnist_opendataset').as_mount(),
'--정규화': 0.5
}
est = Estimator(source_directory=script_folder,
script_params=script_params,
compute_target=compute_target,
환경 정의 = 환경,
entry_script='train.py')
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/tutorial-train-models-with-aml

설명:
상자 1: 참 긍정
참 긍정은 모델이 긍정 클래스를 올바르게 예측하는 결과입니다. 상자 2: 참 부정 참 부정은 모델이 부정 클래스를 올바르게 예측하는 결과입니다.
상자 3: 거짓 긍정
가양성은 모델이 포지티브 클래스를 잘못 예측하는 결과입니다.
상자 4: 거짓 부정
거짓 부정은 모델이 부정 클래스를 잘못 예측하는 결과입니다.
참고: 다음 정의를 만들어 보겠습니다.
"늑대"는 긍정적 인 클래스입니다.
"늑대 없음"은 부정적인 클래스입니다.
네 가지 가능한 결과를 모두 나타내는 2x2 혼동 행렬을 사용하여 "늑대 예측" 모델을 요약할 수 있습니다.
참조:
https://developers.google.com/machine-learning/crash-course/classification/true-false-positive-negative