설명
그래픽 사용자 인터페이스, 텍스트, 애플리케이션, 단어 설명이 자동으로 생성됨

박스 1: 데이터셋에서 생성
create_from_datasets 메서드는 기준 테이블 형식 데이터 세트와 대상 시계열 데이터 세트를 사용하여 새로운 DataDriftDetector 객체를 생성합니다.
상자 2: 되메우기
백필 방식은 지정된 시작일과 종료일을 기준으로 백필 작업을 실행합니다.
구문: backfill(start_date, end_date, compute_target=None, create_compute_target=False) 참조:
https://docs.microsoft.com/en-us/python/api/azureml-datadrift/azureml.datadrift.datadriftdetector(class)

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.
주제 2, 사례 연구 2
사례 연구
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 달라는 요청을 받았습니다. 당신은 Azure Machine Learning Studio를 사용하여 부동산의 중간값을 측정합니다. 또한 선형 회귀 및 베이지안 선형 회귀 모듈을 활용하여 부동산 가격을 예측하는 회귀 모델을 개발합니다.
데이터 세트
CSV 형식의 데이터 세트 두 개에는 런던과 파리 두 도시의 부동산 세부 정보가 포함되어 있으며, 다음과 같은 열로 구성되어 있습니다.

두 데이터 세트는 Azure Machine Learning Studio에 별도의 데이터 세트로 추가되었으며 실험의 시작점으로 사용되었습니다.
데이터셋 문제
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 데이터셋의 열에는 결측값과 null 값이 포함되어 있습니다. 또한 데이터셋에는 이상치가 많이 포함되어 있으며, 특히 '나이' 열에 이상치가 많은 비율을 차지합니다. 따라서 '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 평가하려면 교차 검증을 위한 실험을 설정해야 합니다.
각 데이터 세트의 예측 변수는 MedianValue라는 이름의 열입니다. 초기 조사 결과, MedianValue 열을 제외하고는 두 데이터 세트의 구조가 동일한 것으로 나타났습니다. 규모가 작은 파리 데이터 세트는 MedianValue 열을 텍스트 형식으로 포함하고 있는 반면, 규모가 큰 런던 데이터 세트는 MedianValue 열을 숫자 형식으로 포함하고 있습니다. 따라서 파리 데이터 세트의 MedianValue 열의 데이터 형식이 런던 데이터 세트의 구조와 일치하는지 확인해야 합니다.
결과를 예측하기 위해서는 데이터 열의 우선순위를 정해야 합니다. 관계를 측정하기 위해서는 비모수 통계량을 사용해야 합니다.
MedianValue 열과 AvgRoomsinHouse 열 사이의 관계를 분석하려면 특징 선택 알고리즘을 사용해야 합니다.
모델 학습
학습된 모델과 테스트 데이터셋이 주어졌을 때, 특징 변수들의 순열 특징 중요도 점수를 계산해야 합니다. 모델의 정확도를 조사하고 결과를 재현하려면, 순열 특징 중요도 모듈을 설정하여 올바른 측정 기준을 선택해야 합니다.
모델 학습 과정에서 하이퍼파라미터를 설정하여 학습 단계를 가속화하고자 합니다. 또한, 이러한 설정은 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 못할까 봐 우려하고 계십니다. 또한, 모델로 인해 전체 튜닝 시간이 증가할까 봐 걱정하고 계십니다. 따라서, 유망한 작업을 종료하지 않으면서 비용 절감을 가져오는 조기 종료 기준을 모델에 구현해야 합니다.
테스트
Azure Machine Learning Studio의 파티션 및 샘플링 모듈을 사용하여 샘플링 기반으로 데이터 세트를 여러 파티션으로 분할해야 합니다. 교차 검증을 위해 동일한 크기의 파티션 세 개를 생성해야 합니다. 또한 테스트 및 훈련 데이터 세트의 행이 각 도시의 주요 강 근처에 있는 속성을 기준으로 균등하게 분할되도록 교차 검증 프로세스를 구성해야 합니다. 속성이 강 근처에 있는지 여부를 나타내는 데이터는 NextToRiver라는 열에 저장됩니다. 이 작업은 데이터 샘플링 프로세스를 시작하기 전에 완료해야 합니다.
대도시의 부동산 가격 데이터를 포함하는 부동산 데이터셋을 사용하여 선형 회귀 모듈을 학습시킬 때, 모델에 사용할 최적의 특징(feature)을 결정해야 합니다. 특징 중요도 결정 과정 전후의 성능을 측정하기 위해 제공되는 표준 지표들을 활용할 수 있습니다. 또한, 여러 학습 모델에 걸쳐 특징들이 일관되게 분포되도록 해야 합니다.
데이터 시각화Fabrikam 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.