설명
그래픽 사용자 인터페이스, 텍스트, 애플리케이션, Word 설명 자동 생성

박스 1: 데이터세트에서 생성
create_from_datasets 메서드는 기준 표 형식 데이터 세트와 대상 시계열 데이터 세트에서 새 DataDriftDetector 객체를 만듭니다.
박스 2: 백필
백필 방법은 지정된 시작 및 종료 날짜에 대해 백필 작업을 실행합니다.
구문: backfill(시작_날짜, 종료_날짜, 계산_대상=없음, 생성_계산_대상=거짓) 참조:
https://docs.microsoft.com/en-us/python/api/azureml-datadrift/azureml.datadrift.datadriftDetector(클래스)

참고문헌:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/k-means-clustering
https://nlp.stanford.edu/IR-book/html/htmledition/k-means-1.html

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.

대신 auth_enabled = TRUE만 사용하세요.
참고: 키 기반 인증.
AKS에 배포된 웹 서비스는 기본적으로 키 기반 인증을 사용하도록 설정되어 있습니다. ACI에 배포된 서비스는 기본적으로 키 기반 인증을 사용하지 않도록 설정되어 있지만 ACI 웹 서비스를 생성할 때 auth_enabled = TRUE를 설정하여 사용하도록 설정할 수 있습니다. 다음은 키 기반 인증을 사용하도록 설정된 ACI 배포 구성을 생성하는 예입니다.
배포_구성 <- aci_webservice_배포_구성(cpu_cores = 1,
메모리_GB = 1,
인증 활성화 = 참)
참조:
https://azure.github.io/azureml-sdk-for-r/articles/deploying-models.html