설명:
상자 1: 부스트된 의사 결정 트리 회귀
평균 절대 오차(MAE)는 예측이 실제 결과에 얼마나 가까운지를 측정합니다. 따라서 점수가 낮을수록 좋습니다.
상자 2:
온라인 경사 하강법: 알고리즘이 최적의 매개변수를 찾도록 하려면 트레이너 모드 생성 옵션을 매개변수 범위로 설정하십시오. 그런 다음 시도할 알고리즘에 대해 여러 값을 지정할 수 있습니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/linear-regression

설명

참조:
https://www.edureka.co/blog/classification-algorithms/

기능화 str 또는 기능화 구성
값: 'auto' / 'off' / FeatureizationConfig
기능화 단계를 자동으로 수행해야 하는지 여부 또는 사용자 정의 기능화를 사용해야 하는지 여부에 대한 표시기입니다.
열 유형이 자동으로 감지됩니다. 감지된 열 유형을 기반으로 전처리/기능화는 다음과 같이 수행됩니다.
범주형: 대상 인코딩, 하나의 핫 인코딩, 높은 카디널리티 범주 삭제, 결측값 대치.
숫자: 결측값, 클러스터 거리, 증거 가중치를 대치합니다.
DateTime: 일, 초, 분, 시간 등과 같은 여러 기능
텍스트: 단어 모음, 사전 훈련된 Word 임베딩, 텍스트 대상 인코딩.
참조:
https://docs.microsoft.com/en-us/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig.automlconfig 모델 개발 Testlet 1 사례 연구 개요 귀하는 회사의 데이터 과학자입니다. 프로 스포츠 이벤트에 대한 데이터 과학을 제공합니다. 모델은 다음 비즈니스 목표를 달성하기 위해 글로벌 및 현지 시장 데이터를 사용합니다.
* 군중 반응의 오디오를 기반으로 스포츠 이벤트에서 모바일 장치 사용자의 감정을 이해합니다.
* 사용자가 광고에 반응하는 경향을 평가합니다.
* 휴대기기에 게재되는 광고 스타일을 맞춤설정합니다.
* 비디오를 사용하여 페널티 이벤트 감지
현재 환경
* 페널티 이벤트 감지에 사용되는 미디어는 소비자 기기에서 제공됩니다. 미디어에는 스포츠 경기 중 캡처하고 소셜 미디어를 사용하여 공유하는 이미지와 비디오가 포함될 수 있습니다. 이미지와 비디오는 다양한 크기와 형식을 갖습니다.
* 모델 구축에 사용할 수 있는 데이터는 7년 간의 스포츠 이벤트 미디어로 구성됩니다. 스포츠 이벤트 미디어에는 다음이 포함됩니다. 녹화된 비디오 대본 또는 라디오 해설, 스포츠 경기 중 캡처한 관련 소셜 미디어 피드의 로그.
* 군중 감정에는 이벤트 참석자가 모노 및 스테레오 형식으로 제출한 오디오 녹음이 포함됩니다.
페널티 감지 및 감정
* 데이터 과학자는 페널티 이벤트 감지를 위해 여러 기계 학습 모델을 사용하여 지능형 솔루션을 구축해야 합니다.
* 데이터 과학자는 기계 학습 파이프라인에서 자동 기능 엔지니어링 및 모델 구축을 사용하여 로컬 환경에서 노트북을 구축해야 합니다.
* 동적 작업자 할당이 있는 Spark 인스턴스를 사용하여 재교육하려면 노트북을 배포해야 합니다.
* 노트북은 데이터 소스만 다시 코딩하려면 새 Spark 인스턴스에서 동일한 코드로 실행해야 합니다.
* 글로벌 페널티 감지 모델은 훈련 중에 동적 런타임 그래프 계산을 사용하여 훈련해야 합니다.
* 로컬 페널티 감지 모델은 BrainScript를 사용하여 작성해야 합니다.
* 로컬 군중 감정 모델에 대한 실험은 로컬 페널티 감지 데이터를 결합해야 합니다.
* 군중 감정 모델은 환호 및 알려진 캐치 프레이즈와 같은 알려진 소리를 식별해야 합니다. 개별 군중 감정 모델은 유사한 소리를 감지합니다.
* 로컬 모델의 모든 공유 기능은 연속 변수입니다.
* 공유 기능은 배정밀도를 사용해야 합니다. 후속 레이어에는 사용 가능한 집계 실행 평균 및 표준 편차 메트릭이 있어야 합니다.
광고
생산 초기 몇 주 동안 다음 사항이 관찰되었습니다.
* 광고 응답 평가가 거부되었습니다.
* 드롭은 광고 스타일에 따라 일관되지 않았습니다.
* 교육 및 프로덕션 데이터 전반에 걸친 기능 분포가 일관되지 않음 분석에 따르면 사용자 위치 및 행동에 대한 100개의 숫자 기능 중 위치 소스에서 가져온 47개의 기능이 원시 기능으로 사용되고 있습니다. 편향 및 분산 문제를 해결하기 위해 제안된 실험은 선형으로 상관되지 않은 10개의 기능을 엔지니어링하는 것입니다.
* 초기 데이터 검색은 군중 감정 모델에 사용되는 훈련 데이터에서 광범위한 대상 상태 밀도를 보여줍니다.
* 모든 패널티 감지 모델은 SGD(Stochastic Gradient Descent)를 사용하는 추론 단계가 너무 느리게 실행되고 있음을 보여줍니다.
* 오디오 샘플은 캐치프레이즈의 길이가 지역에 따라 25%-47%로 다양함을 보여줍니다.
* 글로벌 페널티 감지 모델의 성능은 훈련 세트와 검증 세트를 비교할 때 분산은 낮지만 편향은 더 높습니다. 기능 변경을 구현하기 전에 모든 훈련 및 검증 사례를 사용하여 편향과 분산을 확인해야 합니다.
* 광고 응답 모델은 각 이벤트가 시작될 때 학습되고 스포츠 이벤트 중에 적용되어야 합니다.
* 시장 세분화 모델은 유사한 광고 응답 기록에 대해 최적화되어야 합니다.
* 샘플링은 동일한 기능을 공유하는 로컬 및 글로벌 세분화 모델 간에 독점적으로 상호 및 집단을 보장해야 합니다.
* 사용자의 광고 반응 성향을 판단하기 전에 현지 시장 세분화 모델을 적용합니다.
* 광고 응답 모델은 기능의 비선형 경계를 지원해야 합니다.
* 광고 성향 모델은 컷 임계값이 0.45이고 가중치 카파가
0.1 +/- 5%.
* 광고 성향 모델은 다음 다이어그램에 표시된 비용 요소를 사용합니다.

* 광고 성향 모델은 다음 다이어그램에 표시된 제안된 비용 요소를 사용합니다.

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

1 - 교차 엔트로피 기능 활성화를 정의합니다.
2 - 각 대상 상태에 대한 비용 함수를 추가합니다.
3 - 거리 오류 메트릭을 평가합니다.