대신 logging.info(message)를 사용한 솔루션을 사용하세요.
참고: Python 인쇄/로깅 예:
로깅.info(메시지)
대상: 드라이버 로그, Azure Machine Learning 디자이너
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-debug-pipelines

설명:

유망한 일자리를 종료하지 않고도 비용 절감을 제공하는 모델에 조기 중단 기준을 구현해야 합니다.
절단 선택은 각 평가 간격에서 가장 성과가 낮은 실행의 주어진 백분율을 취소합니다. 실행은 기본 메트릭에서의 성과에 따라 비교되고 가장 낮은 X%가 종료됩니다.
예:
azureml.train.hyperdrive에서 TruncationSelectionPolicy 가져오기
early_termination_policy = TruncationSelectionPolicy(평가 간격=1, 잘림 비율=20, 지연 평가=5)

참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/train-vowpal-wabbit-version-8-model
https://docs.microsoft.com/en-us/azure/architecture/data-guide/scenarios/interactive-data-exploration

설명


박스 1: True Positive
참 양성은 모델이 양성 클래스를 올바르게 예측한 결과입니다. 상자 2: 참 음성 참 음성은 모델이 음성 클래스를 올바르게 예측한 결과입니다.
박스 3: 거짓 양성
거짓 양성은 모델이 양성 클래스를 잘못 예측한 결과입니다.
박스 4: 거짓 부정
거짓 부정은 모델이 부정 클래스를 잘못 예측한 결과입니다.
참고: 다음과 같이 정의해 보겠습니다.
"늑대"는 긍정적인 등급입니다.
"늑대 없음"은 부정적인 등급입니다.
우리는 네 가지 가능한 결과를 모두 묘사하는 2x2 혼동 행렬을 사용하여 "늑대 예측" 모델을 요약할 수 있습니다.
참조:
https://developers.google.com/machine-learning/crash-course/classification/true-false-긍정적-negative

1 - 모델링 에포크 사이의 주파수 대역 길이를 다르게 합니다.
2 - 모노 오디오 클립으로 표준화합니다.
3 - 시간에 따른 주파수 변화에 역푸리에 변환을 사용합니다.
주제 2, 사례 연구
개요
귀하는 미국에서 고품질 개인 및 상업용 부동산을 전문으로 하는 회사인 Fabrikam Residences의 데이터 과학자입니다. Fabrikam Residences는 유럽으로의 확장을 고려하고 있으며 주요 유럽 도시의 개인 주택 가격을 조사해 달라고 요청했습니다. 귀하는 Azure Machine Learning Studio를 사용하여 부동산의 중간값을 측정합니다. 선형 회귀 및 베이지안 선형 회귀 모듈을 사용하여 부동산 가격을 예측하는 회귀 모델을 생성합니다.
데이터 세트
런던과 파리라는 두 도시의 부동산 세부 정보를 담고 있는 CSV 형식의 두 데이터 세트가 있으며, 각 열은 다음과 같습니다.

두 데이터 세트는 Azure Machine Learning Studio에 별도의 데이터 세트로 추가되었으며 실험의 시작점으로 포함되었습니다.
데이터 세트 문제
두 데이터 세트의 AccessibilityToHighway 열에는 누락된 값이 있습니다. 누락된 데이터는 누락된 값을 채우기 전에 데이터의 다른 변수를 사용하여 조건부로 모델링되도록 새 데이터로 대체해야 합니다.
각 데이터 세트의 열에는 누락된 값과 null 값이 포함되어 있습니다. 데이터 세트에는 또한 많은 이상치가 포함되어 있습니다. Age 열에는 이상치 비율이 높습니다. Age 열에서 이상치가 있는 행을 제거해야 합니다. MedianValue 및 AvgRoomsinHouse 열은 모두 숫자 형식으로 데이터를 보관합니다. 두 열 간의 관계를 더 자세히 분석하려면 피처 선택 알고리즘을 선택해야 합니다.
모델 적합성
모델은 과적합의 징후를 보입니다. 과적합을 줄이는 더 정제된 회귀 모델을 만들어야 합니다.
실험 요구 사항
성능을 평가하려면 선형 회귀 및 베이지안 선형 회귀 모듈의 교차 검증을 위한 실험을 설정해야 합니다.
각 경우 데이터 세트의 예측 변수는 MedianValue라는 열입니다. 초기 조사에 따르면 데이터 세트는 MedianValue 열을 제외하고는 구조가 동일합니다. 더 작은 Paris 데이터 세트에는 MedianValue가 텍스트 형식으로 포함되어 있는 반면, 더 큰 London 데이터 세트에는 MedianValue가 숫자 형식으로 포함되어 있습니다. Paris 데이터 세트의 MedianValue 열의 데이터 유형이 London 데이터 세트의 구조와 일치하는지 확인해야 합니다.
결과를 예측하기 위해 데이터 열을 우선시해야 합니다. 관계를 측정하려면 비모수 통계를 사용해야 합니다.
MedianValue와 AvgRoomsinHouse 열 간의 관계를 분석하려면 기능 선택 알고리즘을 사용해야 합니다.
모델 학습
훈련된 모델과 테스트 데이터 세트가 주어지면 피처 변수의 순열 피처 중요도 점수를 계산해야 합니다. 모델의 정확도를 조사하고 결과를 복제하기 위해 올바른 메트릭을 선택하려면 순열 피처 중요도 모듈을 설정해야 합니다.
하이퍼파라미터를 사용하여 학습 단계를 가속화하기 위해 모델 학습 프로세스에서 하이퍼파라미터를 구성하려고 합니다. 또한 이 구성은 각 평가 간격에서 가장 성과가 낮은 실행을 취소하여 성공 가능성이 더 높은 모델에 노력과 리소스를 집중해야 합니다.
모델이 하이퍼파라미터 튜닝에서 컴퓨팅 리소스를 효율적으로 사용하지 못할까봐 걱정됩니다. 또한 모델이 전체 튜닝 시간의 증가를 막을까봐 걱정됩니다. 따라서 유망한 작업을 종료하지 않고도 절감 효과를 제공하는 모델에 조기 중단 기준을 구현해야 합니다.
테스트
Azure Machine Learning Studio의 Partition and Sample 모듈을 사용하여 샘플링을 기반으로 데이터 세트의 여러 파티션을 생성해야 합니다. 교차 검증을 위해 세 개의 동일한 파티션을 만들어야 합니다. 또한 테스트 및 학습 데이터 세트의 행이 각 도시의 주요 강 근처에 있는 속성으로 균등하게 나뉘도록 교차 검증 프로세스를 구성해야 합니다. 속성이 강 근처에 있음을 식별하는 데이터는 NextToRiver라는 열에 보관됩니다. 데이터가 샘플링 프로세스를 거치기 전에 이 작업을 완료해야 합니다.
대도시의 부동산 가격 데이터를 보여주는 부동산 데이터 세트를 사용하여 선형 회귀 모듈을 훈련할 때 모델에서 사용할 최상의 피처를 결정해야 합니다. 피처 중요도 프로세스가 완료되기 전과 후에 성능을 측정하기 위해 제공된 표준 메트릭을 선택할 수 있습니다. 여러 훈련 모델에서 피처의 분포가 일관되도록 해야 합니다.
데이터 시각화
Fabrikam Residences 팀에 테스트 결과를 제공해야 합니다. 결과를 제시하는 데 도움이 되는 데이터 시각화를 만듭니다.
모델의 진단 테스트 평가를 수행하려면 ROC(Receiver Operating Characteristic) 곡선을 생성해야 합니다. Azure Machine Learning Studio에서 ROC 곡선을 생성하기 위한 적절한 방법을 선택하여 Two-Class Decision Forest와 Two-Class Decision Jungle 모듈을 서로 비교해야 합니다.