설명:
박스 1: 예
하이퍼파라미터는 모델을 학습하기 위해 선택하는 조정 가능한 매개변수로, 학습 프로세스 자체를 제어합니다. Azure Machine Learning을 사용하면 효율적인 방식으로 하이퍼파라미터 탐색을 자동화하여 상당한 시간과 리소스를 절약할 수 있습니다. 하이퍼파라미터 값의 범위와 최대 학습 실행 횟수를 지정합니다. 그런 다음 시스템은 다양한 매개변수 구성으로 여러 개의 동시 실행을 자동으로 시작하고 선택한 메트릭으로 측정하여 최상의 성능을 내는 구성을 찾습니다. 성능이 좋지 않은 학습 실행은 자동으로 조기에 종료되어 컴퓨팅 리소스 낭비가 줄어듭니다. 이러한 리소스는 대신 다른 하이퍼파라미터 구성을 탐색하는 데 사용됩니다.
박스 2: 예
uniform(low, high) - low와 high 사이에 균일하게 분포된 값을 반환합니다. 상자 3: 베이지안 샘플링은 현재 조기 종료 정책을 지원하지 않습니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters

설명:
박스 1 : 300
300(%)을 입력하면 모듈은 원래 데이터 세트(1000)에 비해 소수 민족 사례의 비율(3000)을 3배로 늘립니다.
박스 2 : 5
5개의 데이터 행을 사용해야 합니다.
Number of nearest neighbors 옵션을 사용하여 SMOTE 알고리즘이 새로운 케이스를 구축할 때 사용하는 피처 공간의 크기를 결정합니다. 가장 가까운 이웃은 일부 대상 케이스와 매우 유사한 데이터 행(케이스)입니다. 두 케이스 간의 거리는 모든 피처의 가중 벡터를 결합하여 측정합니다.
최근접 이웃의 수를 늘리면 더 많은 사례에서 특성을 얻을 수 있습니다.
최근접 이웃의 수를 낮게 유지함으로써 원래 샘플과 더 비슷한 특징을 사용할 수 있습니다.
참고문헌:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smote

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

설명

상자 1: register_azure_blob_container
Azure Blob 컨테이너를 데이터 저장소에 등록합니다.
상자 2: create_if_not_exists = False
파일 공유가 존재하지 않으면 새로 만듭니다. 기본값은 False입니다.
참조:
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.datastore.datastore