DP-100 문제 231
Azure Machine Learning Studio를 사용하여 이진 분류 모델을 만듭니다.
모델의 매개변수 스윕을 수행하여 초매개변수를 조정해야 합니다. 매개변수 스윕은 다음 요구 사항을 충족해야 합니다.
* 가능한 모든 하이퍼파라미터 조합 반복
* 스윕을 수행하는 데 필요한 컴퓨팅 리소스 최소화
* 모델의 파라미터 스윕을 수행해야 합니다.
어떤 매개변수 스위프 모드를 사용해야 합니까?
모델의 매개변수 스윕을 수행하여 초매개변수를 조정해야 합니다. 매개변수 스윕은 다음 요구 사항을 충족해야 합니다.
* 가능한 모든 하이퍼파라미터 조합 반복
* 스윕을 수행하는 데 필요한 컴퓨팅 리소스 최소화
* 모델의 파라미터 스윕을 수행해야 합니다.
어떤 매개변수 스위프 모드를 사용해야 합니까?
DP-100 문제 232
편향 및 분산 문제를 해결하려면 전역 패널티 이벤트 모델에 대한 입력을 수정해야 합니다.
어떤 세 가지 작업을 순서대로 수행해야 합니까? 응답하려면 조치 목록에서 해당 조치를 응답 영역으로 이동하고 올바른 순서로 정렬하십시오.
어떤 세 가지 작업을 순서대로 수행해야 합니까? 응답하려면 조치 목록에서 해당 조치를 응답 영역으로 이동하고 올바른 순서로 정렬하십시오.
DP-100 문제 233
기계 학습 모델을 만들고 있습니다. null 행이 포함된 데이터세트가 있습니다.
Azure Machine Learning Studio에서 누락된 데이터 정리 모듈을 사용하여 데이터 세트에서 null 및 누락된 데이터를 식별하고 해결해야 합니다.
어떤 매개변수를 사용해야 합니까?
Azure Machine Learning Studio에서 누락된 데이터 정리 모듈을 사용하여 데이터 세트에서 null 및 누락된 데이터를 식별하고 해결해야 합니다.
어떤 매개변수를 사용해야 합니까?
DP-100 문제 234
참고: 이 질문은 동일한 시나리오를 제시하는 일련의 질문 중 일부입니다. 시리즈의 각 질문에는 명시된 목표를 충족할 수 있는 고유한 솔루션이 포함되어 있습니다. 일부 질문 세트에는 둘 이상의 올바른 솔루션이 있을 수 있지만 다른 질문 세트에는 올바른 솔루션이 없을 수 있습니다.
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
Azure Machine Learning Studio를 사용하여 데이터 세트에서 기능 엔지니어링을 수행하고 있습니다. 빈으로 그룹화된 기능 열을 생성하려면 값을 정규화해야 합니다.
솔루션: MDI(엔트로피 최소 설명 길이) 비닝 모드를 적용합니다.
솔루션이 목표를 충족합니까?
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
Azure Machine Learning Studio를 사용하여 데이터 세트에서 기능 엔지니어링을 수행하고 있습니다. 빈으로 그룹화된 기능 열을 생성하려면 값을 정규화해야 합니다.
솔루션: MDI(엔트로피 최소 설명 길이) 비닝 모드를 적용합니다.
솔루션이 목표를 충족합니까?
DP-100 문제 235
참고: 이 질문은 동일한 시나리오를 제시하는 일련의 질문 중 일부입니다. 시리즈의 각 질문에는 명시된 목표를 충족할 수 있는 고유한 솔루션이 포함되어 있습니다. 일부 질문 세트에는 둘 이상의 올바른 솔루션이 있을 수 있지만 다른 질문 세트에는 올바른 솔루션이 없을 수 있습니다.
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
Azure Machine Learning Studio에서 새 실험을 만들고 있습니다.
한 클래스는 훈련 세트의 다른 클래스보다 관측값 수가 훨씬 적습니다.
클래스 불균형을 보상하려면 적절한 데이터 샘플링 전략을 선택해야 합니다.
솔루션: 샘플링 모드에 대해 계층 분할을 사용합니다.
솔루션이 목표를 충족합니까?
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
Azure Machine Learning Studio에서 새 실험을 만들고 있습니다.
한 클래스는 훈련 세트의 다른 클래스보다 관측값 수가 훨씬 적습니다.
클래스 불균형을 보상하려면 적절한 데이터 샘플링 전략을 선택해야 합니다.
솔루션: 샘플링 모드에 대해 계층 분할을 사용합니다.
솔루션이 목표를 충족합니까?