설명
단측 또는 양측 검정을 선택하십시오. 기본값은 양측 검정입니다. 이것은 예상 분포가 0을 중심으로 대칭인 테스트의 가장 일반적인 유형입니다.
예: 상관 함수로서의 짝을 이루지 않은 2-표본 t-검정 및 짝이 없는 2-표본 t-검정의 제1종 오류. 시뮬레이션된 난수는 분산이 1인 이변량 정규 분포에서 유래합니다.

참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/test-hypothesis-using-t-test
https://en.wikipedia.org/wiki/Student%27s_t-test
주제 1, 사례 연구 2
사례 연구
개요
귀하는 미국의 고급 사유 재산 및 상업용 부동산을 전문으로 하는 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
두 도시(런던과 파리)에 대한 속성 세부정보가 포함된 CSV 형식의 두 데이터세트가 있으며 다음 열이 있습니다.

두 데이터 세트는 Azure Machine Learning Studio에 별도의 데이터 세트로 추가되었으며 실험의 시작점으로 포함되었습니다.
데이터세트 문제
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. 초기 조사에서는 데이터 세트가 MedianValue 열을 제외하고 구조가 동일하다는 것을 보여주었습니다. 더 작은 파리 데이터셋에는 텍스트 형식의 MedianValue가 포함되어 있는 반면, 더 큰 런던 데이터셋에는 숫자 형식의 MedianValue가 포함되어 있습니다. 파리 데이터 세트의 MedianValue 열 데이터 유형이 런던 데이터 세트의 구조와 일치하는지 확인해야 합니다.
결과를 예측하려면 데이터 열의 우선 순위를 지정해야 합니다. 관계를 측정하려면 매개변수가 아닌 통계를 사용해야 합니다.
MedianValue와 AvgRoomsinHouse 열 간의 관계를 분석하려면 기능 선택 알고리즘을 사용해야 합니다.
모델 교육
훈련된 모델과 테스트 데이터 세트가 주어지면 특성 변수의 순열 특성 중요도 점수를 계산해야 합니다. 모델의 정확도를 조사하고 결과를 복제하려면 올바른 메트릭을 선택하려면 순열 기능 중요도 모듈을 설정해야 합니다.
모델 학습 프로세스에서 하이퍼파라미터를 구성하여 하이퍼파라미터를 사용하여 학습 단계를 가속화하려고 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 직업을 종료하지 않고 저축을 제공하는 모델에 조기 중단 기준을 구현해야 합니다.
테스트
Azure Machine Learning Studio의 파티션 및 샘플 모듈을 사용하여 샘플링을 기반으로 데이터 세트의 여러 파티션을 생성해야 합니다. 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. 속성이 강 근처에 있음을 식별하는 데이터는 NextToRiver라는 열에 보관됩니다. 데이터가 샘플링 프로세스를 거치기 전에 이 작업을 완료하려고 합니다.
대도시의 부동산 가격에 대한 데이터를 표시하는 속성 데이터 세트를 사용하여 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 걸쳐 기능이 일관되게 분포되어 있는지 확인해야 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 Machine Learning Studio에서 ROC 곡선을 생성하는 적절한 방법을 선택해야 합니다.

설명
경로를 지정합니다.
예시:
다음 코드는 이름별로 작업 공간의 기존 작업 공간과 원하는 데이터 저장소를 가져옵니다. 그런 다음 데이터 저장소 및 파일 위치를 path 매개변수에 전달하여 새 TabularDataset인 weather_ds를 생성합니다.
azureml.core에서 작업 공간, 데이터 저장소, 데이터 집합 가져오기
datastore_name = '데이터 저장소 이름'
# 기존 작업 공간 가져오기
작업 공간 = Workspace.from_config()
# 이름으로 작업 공간의 기존 데이터 저장소 검색
데이터 저장소 = Datastore.get(작업 공간, 데이터 저장소 이름)
# 데이터 저장소의 3개 파일 경로에서 TabularDataset 생성
데이터 저장소_경로 = [(데이터 저장소, '날씨/2018/11.csv'),
(데이터 저장소, '날씨/2018/12.csv'),
(데이터 저장소, '날씨/2019/*.csv')]
weather_ds = Dataset.Tabular.from_delimited_files(경로=datastore_paths)

설명:
유망한 직업을 종료하지 않고 저축을 제공하는 모델에 대한 조기 중단 기준을 구현해야 합니다.
자르기 선택은 각 평가 간격에서 가장 성능이 낮은 실행의 지정된 백분율을 취소합니다. 실행은 기본 메트릭에 대한 성능을 기반으로 비교되고 가장 낮은 X%가 종료됩니다.
예시:
azureml.train.hyperdrive에서 가져오기 TruncationSelectionPolicy
Early_termination_policy = TruncationSelectionPolicy(evaluation_interval=1, truncation_percentage=20, delay_evaluation=5) 오답:
Bandit은 slack factor/slack 양 및 평가 간격에 기반한 종료 정책입니다. 이 정책은 기본 메트릭이 최고 성능의 훈련 실행과 관련하여 지정된 여유 계수/ 여유량 내에 있지 않은 모든 실행을 조기에 종료합니다.
예시:
azureml.train.hyperdrive에서 가져오기 BanditPolicy
Early_termination_policy = BanditPolicy(slack_factor = 0.1, evaluation_interval=1, delay_evaluation=5 참조:
https://docs.microsoft.com/en-us/azure/machine-learning/service/how-to-tune-hyperparameters

설명:
의사 결정 트리에서 트리의 깊이는 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 세트의 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/python/api/azureml-train-core/azureml.train.hyperdrive.hyperdriveconfig
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters