설명

상자 1: 데이터프레임
구문: pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)[source] 여기서 프레임은 DataFrame Box 2: shop Paramter id_vars id_vars : tuple, list, 또는 ndarray, 식별자 변수로 사용할 선택적 열.
상자 3: ['2017','2018']
value_vars : 튜플, 목록 또는 ndarray, 선택 사항
피벗을 해제할 열입니다. 지정하지 않으면 id_vars로 설정되지 않은 모든 열을 사용합니다.
예:
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 ~ 1
1비 3
2cB 5
3시 2분
4 b C 4
5씨씨 6
참조:
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.melt.html

참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-deploy-and-where

참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-machine-learning-interpretability-aml

이진 분류 모델에 사용할 수 있는 평가 메트릭은 Accuracy, Precision, Recall, F1 Score 및 AUC입니다.
참고: 매우 자연스러운 질문은 다음과 같습니다. '모델을 적용한 개인 중 올바르게 분류된 개인(TP)은 몇 명입니까?' 이 질문은 올바르게 분류된 긍정의 비율인 모델의 정밀도를 보면 답할 수 있습니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance

설명

상자 1: MICE를 사용하여 교체
MICE를 사용하여 바꾸기: 각 누락된 값에 대해 이 옵션은 새 값을 할당합니다. 이 값은 통계 문헌에 "연쇄 방정식을 사용한 다변량 대체"로 설명된 방법을 사용하여 계산됩니다.
"연쇄 방정식에 의한 다중 전가". 다중 대치 방법을 사용하면 누락된 데이터가 있는 각 변수는 누락된 값을 채우기 전에 데이터의 다른 변수를 사용하여 조건부로 모델링됩니다.
시나리오: 두 데이터 세트의 AccessibilityToHighway 열에 누락된 값이 있습니다. 누락된 데이터는 누락된 값을 채우기 전에 데이터의 다른 변수를 사용하여 조건부로 모델링되도록 새 데이터로 대체되어야 합니다.
상자 2: 전파
모든 누락된 값이 있는 열은 모든 누락된 값의 열이 출력에서 ​​보존되어야 하는지 여부를 나타냅니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data