설명:
박스 1 : 0.859122
박스 2: 양의 선형 관계
+1은 강력한 양의 선형 관계를 나타냅니다.
-1은 강한 음의 선형 상관관계를 나타냅니다.
0은 두 변수 사이에 선형 관계가 없음을 나타냅니다.
참고문헌:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-linear-correlation

설명

1단계: 모델 학습
2등급 부스트 결정 트리
먼저, 부스트된 의사결정 트리 모델을 설정합니다.
1. 모듈 팔레트에서 Two-Class Boosted Decision Tree 모듈을 찾아 캔버스로 드래그합니다.
2. Train Model 모듈을 찾아 캔버스로 끌어다 놓은 다음 Two-Class Boosted Decision Tree 모듈의 출력을 Train Model 모듈의 왼쪽 입력 포트에 연결합니다.
Two-Class Boosted Decision Tree 모듈은 일반 모델을 초기화하고, Train Model 모듈은 학습 데이터를 사용하여 모델을 학습시킵니다.
3. 왼쪽 Execute R Script 모듈의 왼쪽 출력을 Train Model 모듈의 오른쪽 입력 포트에 연결합니다(이 튜토리얼에서는 Split Data 모듈의 왼쪽에서 나오는 데이터를 사용하여 학습했습니다).
이 실험의 일부는 이제 다음과 같습니다.

2단계: 점수 모델
모델 점수 매기기 및 평가
Split Data 모듈에서 분리한 테스트 데이터를 사용하여 훈련된 모델을 평가합니다. 그런 다음 두 모델의 결과를 비교하여 어느 모델이 더 나은 결과를 생성했는지 확인할 수 있습니다.
점수 모델 모듈 추가
1. 점수 모델 모듈을 찾아 캔버스로 끌어다 놓습니다.
2. Two-Class Boosted Decision Tree 모듈에 연결된 Train Model 모듈을 Score Model 모듈의 왼쪽 입력 포트에 연결합니다.
3. 올바른 Execute R Script 모듈(테스트 데이터)을 Score Model 모듈의 오른쪽 입력 포트에 연결합니다.

3단계: 모델 평가
두 가지 채점 결과를 평가하고 비교하려면 Evaluate Model 모듈을 사용합니다.
1. 모델 평가 모듈을 찾아 캔버스로 끌어다 놓습니다.
2. 부스트된 의사결정 트리 모델과 연관된 Score Model 모듈의 출력 포트를 Evaluate Model 모듈의 왼쪽 입력 포트에 연결합니다.
3. 다른 점수 모델 모듈을 오른쪽 입력 포트에 연결합니다.

업로드를 수행하려면 azureml.contrib.fairness 패키지를 가져옵니다.
azureml.contrib.fairness에서 upload_dashboard_dictionary, download_dashboard_by_upload_id 가져오기 참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-machine-learning-fairness-aml

참조:
https://datascienceplus.com/linear-regression-in-python/