설명:

선형 판별 분석 방법은 연속형 변수에만 적용 가능하며, 범주형 변수나 순서형 변수에는 적용되지 않습니다.
선형 판별 분석은 변수들의 평균을 비교하는 방식으로 작동한다는 점에서 분산 분석(ANOVA)과 유사합니다.
대본:
데이터 과학자는 머신 러닝 파이프라인에서 자동 특징 추출 및 모델 구축을 사용하여 로컬 환경에서 노트북을 구축해야 합니다.
지역 군중 감정 모델에 대한 실험은 지역 벌금 부과 탐지 데이터를 결합해야 합니다.
로컬 모델의 모든 공통 특징은 연속 변수입니다.
틀린 답:
B: 피어슨 상관계수(때로는 피어슨 R 검정이라고도 함)는 두 변수 간의 선형 관계를 측정하는 통계 값입니다. 상관계수 값을 살펴보면 두 변수 간의 관계 강도와 양의 상관관계인지 음의 상관관계인지를 추론할 수 있습니다.
C: 스피어만 상관계수는 비모수적이고 정규분포를 따르지 않는 데이터에 사용하도록 고안되었습니다. 스피어만 상관계수는 두 변수 간의 통계적 의존성을 나타내는 비모수적 척도이며, 때로는 그리스 문자 로(ρ)로 표기됩니다. 스피어만 상관계수는 두 변수 간의 단조적 관계의 정도를 나타냅니다. 순서형 변수에도 사용할 수 있기 때문에 스피어만 순위 상관계수라고도 합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/fisher-linear-discriminant-analysis
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-linear-correlation 특징 엔지니어링 테스트렛 2 사례 연구 이것은 사례 연구입니다. 사례 연구는 별도로 시간 제한이 없습니다. 각 사례를 완료하는 데 원하는 만큼 시험 시간을 사용할 수 있습니다. 그러나 이 시험에는 추가 사례 연구 및 섹션이 포함될 수 있습니다. 주어진 시간 내에 시험에 포함된 모든 문제를 완료할 수 있도록 시간을 효율적으로 관리해야 합니다.
사례 연구에 포함된 질문에 답하려면 사례 연구에 제공된 정보를 참조해야 합니다. 사례 연구에는 사례 연구에 설명된 시나리오에 대한 자세한 정보를 제공하는 도표 및 기타 자료가 포함될 수 있습니다. 각 질문은 이 사례 연구의 다른 질문과 독립적입니다.
이 사례 연구가 끝나면 검토 화면이 나타납니다. 이 화면에서 답변을 검토하고 다음 시험 섹션으로 넘어가기 전에 수정할 수 있습니다. 새 섹션을 시작하면 이전 섹션으로 돌아갈 수 없습니다.
사례 연구를 시작하려면
이 사례 연구의 첫 번째 질문을 보려면 [다음] 버튼을 클릭하십시오. 왼쪽 창의 버튼을 사용하여 질문에 답하기 전에 사례 연구 내용을 살펴보세요. 이 버튼을 클릭하면 비즈니스 요구 사항, 기존 환경 및 문제 설명과 같은 정보가 표시됩니다. 사례 연구에 [모든 정보] 탭이 있는 경우, 해당 탭에 표시되는 정보는 이후 탭에 표시되는 정보와 동일합니다. 질문에 답할 준비가 되면 [질문] 버튼을 클릭하여 질문으로 돌아가세요.
개요
당신은 미국에서 고급 개인 및 상업용 부동산을 전문으로 하는 회사인 Fabrikam Residences의 데이터 과학자입니다. Fabrikam Residences는 유럽 진출을 고려 중이며, 주요 유럽 도시의 개인 주택 가격을 조사해 달라고 당신에게 요청했습니다.
Azure Machine Learning Studio를 사용하여 부동산의 중간값을 측정합니다. 선형 회귀 및 베이지안 선형 회귀 모듈을 사용하여 부동산 가격을 예측하는 회귀 모델을 생성합니다.
데이터 세트
CSV 형식의 데이터 세트 두 개에는 런던과 파리 두 도시의 부동산 정보가 포함되어 있습니다. 이 두 파일을 Azure Machine Learning Studio에 별도의 데이터 세트로 추가하여 실험을 시작합니다. 두 데이터 세트에는 다음과 같은 열이 포함되어 있습니다.

초기 조사 결과, 중앙값(MedianValue) 열을 제외하고는 데이터 세트의 구조가 동일한 것으로 나타났습니다.
규모가 더 작은 파리 데이터 세트는 중앙값을 텍스트 형식으로 포함하는 반면, 규모가 더 큰 런던 데이터 세트는 중앙값을 숫자 형식으로 포함합니다.
데이터 문제
결측값
두 데이터 세트 모두에서 AccessibilityToHighway 열에 결측값이 있습니다. 결측값은 새 데이터로 대체해야 하며, 이때 결측값을 채우기 전에 데이터의 다른 변수들을 이용하여 조건부 모델링을 수행해야 합니다.
각 데이터 세트의 열에는 결측값과 null 값이 포함되어 있습니다. 또한 데이터 세트에는 이상치가 많이 포함되어 있습니다. 특히 '나이' 열에는 이상치의 비율이 높습니다. '나이' 열에 이상치가 있는 행을 제거해야 합니다.
MedianValue와 AvgRoomsInHouse 열은 모두 숫자 형식의 데이터를 포함하고 있습니다. 두 열 간의 관계를 더 자세히 분석하려면 특징 선택 알고리즘을 선택해야 합니다.
모델 핏
모델이 과적합된 것으로 보입니다. 과적합을 줄이는 더욱 정교한 회귀 모델을 만들어야 합니다.
실험 요구사항
선형 회귀 및 베이지안 선형 회귀 모듈의 성능을 평가하기 위해 교차 검증 실험을 설정해야 합니다. 각 경우에 데이터 세트의 예측 변수는 MedianValue라는 이름의 열입니다. 파리 데이터 세트의 MedianValue 열의 데이터 형식이 런던 데이터 세트의 구조와 일치하는지 확인해야 합니다.
결과를 예측하기 위해 데이터 열의 우선순위를 정해야 합니다. 관계를 측정하기 위해서는 비모수 통계를 사용해야 합니다.
MedianValue 열과 AvgRoomsInHouse 열 사이의 관계를 분석하려면 특징 선택 알고리즘을 사용해야 합니다.
모델 학습
순열 특징 중요도
학습된 모델과 테스트 데이터셋이 주어졌을 때, 특징 변수들의 순열 특징 중요도 점수를 계산해야 합니다. 또한 모델의 절대적인 적합도를 판단해야 합니다.
하이퍼파라미터
모델 학습 속도를 높이려면 모델 학습 과정에서 하이퍼파라미터를 구성해야 합니다. 또한, 이 구성은 각 평가 간격에서 성능이 가장 낮은 실행 결과를 취소하여 성공 가능성이 높은 모델에 노력과 자원을 집중할 수 있도록 해야 합니다.
모델이 하이퍼파라미터 튜닝 과정에서 컴퓨팅 리소스를 효율적으로 사용하지 못할 수 있다는 점이 우려됩니다. 또한, 모델로 인해 전체 튜닝 시간이 증가할 수 있다는 점도 우려됩니다. 따라서, 유망한 작업을 종료하지 않으면서 시간 절약을 제공하는 조기 종료 기준을 모델에 구현해야 합니다.
테스트
Azure Machine Learning Studio의 파티션 및 샘플 모듈을 사용하여 샘플링 기반으로 데이터 세트의 여러 파티션을 생성해야 합니다.
교차 검증
교차 검증을 위해 세 개의 동일한 파티션을 생성해야 합니다. 또한 테스트 및 훈련 데이터 세트의 행이 각 도시의 주요 강 근처에 있는 속성을 기준으로 균등하게 분할되도록 교차 검증 프로세스를 구성해야 합니다. 이 작업은 데이터 샘플링 프로세스를 시작하기 전에 완료해야 합니다.
선형 회귀 모듈
선형 회귀 모듈을 학습시킬 때는 모델에 사용할 최적의 특징(feature)을 결정해야 합니다. 특징 중요도 결정 과정 전후의 성능을 측정하기 위해 제공되는 표준 지표들을 활용할 수 있습니다. 여러 학습 모델에 걸쳐 특징의 분포는 일관성을 유지해야 합니다.
데이터 시각화
Fabrikam Residences 팀에 테스트 결과를 제공해야 합니다. 결과를 효과적으로 전달하기 위해 데이터 시각화 자료를 제작해야 합니다.
모델의 진단 테스트 평가를 수행하려면 수신자 조작 특성(ROC) 곡선을 생성해야 합니다. Azure Machine Learning Studio에서 ROC 곡선을 생성하는 적절한 방법을 선택하여 Two-Class Decision Forest 모듈과 Two-Class Decision Jungle 모듈을 서로 비교해야 합니다.

설명:

설명:
박스 1: 스탠다드스케일러
StandardScaler는 각 피처 내의 데이터가 정규 분포를 따른다고 가정하고, 분포의 중심이 0이고 표준 편차가 1이 되도록 데이터를 스케일링합니다.
예:

이제 모든 기능이 서로 동일한 상대적 크기로 표시됩니다.
박스 2: 최소/최대 스케일러

분포의 비대칭성은 유지되지만 세 분포가 서로 겹치도록 동일한 척도로 조정되었음을 알 수 있습니다.
박스 3: 정규화기
참고 자료:
http://benalexkeen.com/feature-scaling-with-scikit-learn/

설명
scikit-learn 추정기는 컴퓨팅 대상에서 scikit-learn 학습 작업을 간단하게 시작할 수 있는 방법을 제공합니다. 이는 SKLearn 클래스를 통해 구현되었으며, 이를 통해 단일 노드 CPU 학습을 지원할 수 있습니다.
예:
AzureML.train.sklearn에서 SKLearn을 가져옵니다.
}
추정기 = SKLearn(source_directory=project_folder,
compute_target=compute_target,
entry_script='train_iris.py'
)
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-train-scikit-learn