설명

상자 1: StandardScaler
StandardScaler는 데이터가 각 기능 내에서 정규 분포를 따른다고 가정하고 분포가 이제 0을 중심으로 하고 표준 편차가 1이 되도록 크기를 조정합니다.
예시:
모든 기능은 이제 서로에 대해 동일한 축척에 있습니다.
상자 2: 최소 최대 스케일러
분포의 왜도는 유지되지만 3개의 분포가 겹치도록 동일한 척도로 가져옵니다.
상자 3: 노멀라이저
참조:
http://benalexkeen.com/feature-scaling-with-scikit-learn/

설명:
상자 1: 예
source_directory 매개변수는 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:
상자 1: 부동 소수점
중앙값에 부동 소수점이 필요합니다.
시나리오: 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.
상자 2: 변경되지 않음
참고: 선택한 열의 값을 범주로 처리하도록 지정하려면 범주형 옵션을 선택합니다.
예를 들어, 숫자 0,1 및 2가 포함된 열이 있지만 숫자가 실제로 "흡연자", "비흡연자" 및 "알 수 없음"을 의미한다는 것을 알고 있을 수 있습니다. 이 경우 열을 범주형으로 플래그를 지정하면 값이 숫자 계산에 사용되지 않고 데이터를 그룹화하는 데만 사용되도록 할 수 있습니다.

설명

상자 1: PCA(n_components = 10)
훈련 세트와 테스트 세트 모두에서 기능 세트의 차원을 10개 기능으로 줄여야 합니다.
예시:
sklearn.decomposition에서 PCA 가져오기
pca = PCA(n_components=2) ;2차원
principalComponents = pca.fit_transform(x)
상자 2: PCA
fit_transform(X[, y])은 모델을 X에 맞추고 X에 차원 축소를 적용합니다.
상자 3: 변환(x_test)
transform(X)는 차원 축소를 X에 적용합니다.
참조:
https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html

설명
산점도 생성
데이터 요약
클립 값
Azure Machine Learning Studio에서 Clip Values ​​모듈을 사용하여 지정된 임계값보다 높거나 낮은 데이터 값을 식별하고 선택적으로 바꿀 수 있습니다. 이는 이상치를 제거하거나 평균, 상수 또는 기타 대체 값으로 대체하려는 경우에 유용합니다.
참조:
https://blogs.msdn.microsoft.com/azuredev/2017/05/27/data-cleansing-tools-in-azure-machine-learning/
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clip-values