C: 베이지안 샘플링은 베이지안 최적화 알고리즘을 기반으로 하며 다음에 샘플링할 하이퍼파라미터 값을 지능적으로 선택합니다. 새 샘플이 보고된 기본 메트릭을 개선하도록 이전 샘플의 성능을 기반으로 샘플을 선택합니다.
베이지안 샘플링은 조기 종료 정책을 지원하지 않습니다.
예:
azureml.train.hyperdrive에서 가져오기 BayesianParameterSampling
azureml.train.hyperdrive에서 유니폼 가져오기, 선택
param_sampling = BayesianParameterSampling( {
"learning_rate": uniform(0.05, 0.1),
"batch_size": 선택(16, 32, 64, 128)
}
)
D: 무작위 샘플링에서 하이퍼파라미터 값은 정의된 검색 공간에서 무작위로 선택됩니다. 무작위 샘플링을 사용하면 검색 공간에 이산 및 연속 하이퍼파라미터를 모두 포함할 수 있습니다.
오답:
B: 하이퍼파라미터 공간이 불연속 값 중에서 선택으로 정의될 수 있고 정의된 검색 공간의 모든 값을 철저하게 검색할 수 있는 충분한 예산이 있는 경우 그리드 샘플링을 사용할 수 있습니다. 또한 성능이 좋지 않은 실행을 자동으로 조기 종료하여 리소스 낭비를 줄일 수 있습니다.
예를 들어 다음 공간에는 총 6개의 샘플이 있습니다.
azureml.train.hyperdrive에서 가져오기 GridParameterSampling
azureml.train.hyperdrive 가져오기 선택에서
param_sampling = GridParameterSampling( {
"num_hidden_layers": 선택(1, 2, 3),
"batch_size": 선택(16, 32)
}
)
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters

설명

누락된 값을 제거, 교체 또는 유추하기 위한 Azure Machine Learning Studio의 누락 데이터 정리 모듈입니다.

정확도, 정밀도, 재현율, F1 점수 및 AUC는 분류 모델을 평가하기 위한 메트릭입니다.
참고: Mean Absolute Error, Root Mean Absolute Error, Relative Absolute Error는 선형 회귀 모델에 적합합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model

참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample

여러 환경에서 동일한 작업 영역을 사용하려면 JSON 구성 파일을 만듭니다. 구성 파일은 쉽게 로드할 수 있도록 구독(subscription_id), 리소스(resource_group) 및 작업 영역 이름을 저장합니다.
다음 샘플은 작업 공간을 만드는 방법을 보여줍니다.
azureml.core 가져오기 작업 영역에서
ws = Workspace.create(이름='myworkspace',
subscription_id='<azure-구독-id>',
resource_group='myresourcegroup',
create_resource_group=참,
위치='eastus2'
)
참조:
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.workspace.workspace