설명

1단계: 파이프라인을 게시합니다.
파이프라인을 예약하려면 작업 공간에 대한 참조, 게시된 파이프라인의 식별자, 일정을 생성하려는 실험의 이름이 필요합니다.
2단계: 파이프라인 ID를 검색합니다.
일정에 필요합니다.
3단계: ScheduleRecurrence 만들기..
반복적으로 파이프라인을 실행하려면 일정을 생성합니다. 일정은 파이프라인, 실험 및 트리거를 연결합니다.
먼저 일정을 만듭니다. 예: 15분마다 실행을 시작하는 일정 만들기:
반복 = ScheduleRecurrence(주파수="분", 간격=15)
4단계: Azure Machine Learning 파이프라인 일정 정의..
예, 계속:
recurring_schedule = Schedule.create(ws, name="MyRecurringSchedule",
description="시간 기준",
파이프라인 ID=파이프라인 ID,
실험명=실험명,
재발=재발)
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-schedule-pipelines

설명:
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

설명:
상자 1: 500
임의 시드에 임의화의 시드로 사용할 값을 입력합니다. 0(기본값)을 지정하면 시스템 시계를 기반으로 숫자가 생성됩니다.
시드 값은 선택 사항이지만 동일한 실험 실행 간에 재현성을 원하는 경우 값을 제공해야 합니다.
여기서 우리는 발견을 복제해야 합니다.
상자 2: 평균 절대 오차
시나리오: 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.
회귀. 정밀도, 재현율, 평균 절대 오차, 평균 제곱근 오차, 상대 절대 오차, 상대 제곱 오차, 참조 참조 계수 중 하나를 선택합니다.
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/permutation-feature-importance

설명:
상자 1: 누락된 데이터 정리
상자 2: 스모트
Azure Machine Learning Studio의 SMOTE 모듈을 사용하여 기계 학습에 사용되는 데이터 세트에서 제대로 표시되지 않는 사례의 수를 늘립니다. SMOTE는 단순히 기존 케이스를 복제하는 것보다 희귀 케이스의 수를 늘리는 더 좋은 방법입니다.
상자 3: 지표 값으로 변환
Azure Machine Learning Studio에서 지표 값으로 변환 모듈을 사용합니다. 이 모듈의 목적은 범주형 값을 포함하는 열을 기계 학습 모델의 기능으로 더 쉽게 사용할 수 있는 일련의 이진 표시기 열로 변환하는 것입니다.
상자 4: 중복 행 제거
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smote
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/convert-to-indicator-values

설명:
상자 1: 데이터 프레임
구문: pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)[source] 여기서 frame은 DataFrame Box 2: shop 매개변수 id_vars id_vars : 튜플, 목록, 또는 ndarray, 식별자 변수로 사용할 선택적 Column(s).
상자 3: ['2017','2018']
value_vars : 튜플, 목록 또는 ndarray, 선택 사항
피벗을 해제할 열입니다. 지정하지 않으면 id_vars로 설정되지 않은 모든 열을 사용합니다.
예시:
df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'},
... 'B': {0:1, 1:3, 2:5},
... 'C': {0: 2, 1: 4, 2: 6}})
pd.melt(df, id_vars=['A'], value_vars=['B', 'C'])
변수 값
0 A B 1
1b B 3
2C B 5
3 a C 2
4 b C 4
5 c C 6
참조:
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.melt.html