参照：
https://docs.microsoft.com/en-gb/azure/cognitive-services/qnamaker/concepts/data-sources-and-content
https://docs.microsoft.com/en-us/azure/cognitive-services/luis/choose-natural-language-processing-service

モデル説明能力。
ほとんどのビジネスは信頼に基づいて運営されており、ML の「ブラック ボックス」を開くことができれば、透明性と信頼を構築するのに役立ちます。ヘルスケアや銀行などの規制の厳しい業界では、規制とベスト プラクティスに準拠することが重要です。これの重要な側面の 1 つは、入力変数 (機能) とモデル出力の関係を理解することです。各特徴 (特徴の重要度) が予測値に与える影響の大きさと方向の両方を知ることは、モデルをよりよく理解し、説明するのに役立ちます。モデルの説明機能により、自動 ML 実行の一部として機能の重要性を理解できるようになります。
参照：
https://azure.microsoft.com/en-us/blog/new-automated-machine-learning-capabilities-in-azure-machine-learning-service/

参照：
https://azure.microsoft.com/en-gb/services/cognitive-services/form-recognizer/#features

セクション: Azure での機械学習の基本原則について説明する
Explanation:
ラベルは、予測する列です。識別された機能は、ラベルを予測するためにモデルに与える入力です。
例：
提供されたデータ セットには、次の列が含まれています。
vendor_id: タクシー ベンダーの ID は機能です。
rate_code: タクシー旅行の料金タイプは機能です。
Passenger_count: 旅行の乗客数は機能です。
trip_time_in_secs: 移動にかかった時間。旅行が完了する前に旅行の運賃を予測したいと考えています。その瞬間、旅にどれくらいの時間がかかるかわかりません。したがって、移動時間は特徴ではないため、この列をモデルから除外します。
trip_distance: 旅行の距離は特徴です。
payment_type: 支払い方法 (現金またはクレジット カード) は機能です。
fare_amount: 支払ったタクシー料金の合計がラベルです。
参照：
https://docs.microsoft.com/en-us/dotnet/machine-learning/tutorials/predict-prices