説明
モデルを評価する一般的な方法は、データの分割を使用してデータをトレーニング セットとテスト セットに分割し、トレーニング データでモデルを検証することです。
Split Data モジュールを使用して、データセットを 2 つの異なるセットに分割します。
スタジオは現在、トレーニング/検証データの分割をサポートしています
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-configure-cross-validation-data-splits2

説明

ボックス 1: モデルの評価
モデル評価モジュールは、真陽性、偽陰性、偽陽性、および真陰性の数、ならびに ROC、Precision/Recall、および Lift 曲線を示す混同行列を出力します。
ボックス 2: 機能エンジニアリング
特徴エンジニアリングは、データのドメイン知識を使用して、ML アルゴリズムの学習を改善するのに役立つ特徴を作成するプロセスです。Azure Machine Learning では、機能エンジニアリングを容易にするために、スケーリングと正規化の手法が適用されます。これらの手法と機能エンジニアリングをまとめて、特徴付けと呼びます。
注: 多くの場合、フィーチャは、フィーチャ エンジニアリングのプロセスを通じて生データから作成されます。たとえば、タイム スタンプ自体は、情報が日単位、月単位、または休日と営業日などの問題に関連するカテゴリに変換されるまで、モデリングには役に立たない場合があります。
ボックス 3: 機能の選択
機械学習と統計では、特徴選択とは、分析モデルの構築に使用する関連性のある有用な特徴のサブセットを選択するプロセスです。特徴選択は、データのフィールドを最も価値のある入力に絞り込むのに役立ちます。データのフィールドを狭めることは、ノイズを減らし、トレーニング パフォーマンスを向上させるのに役立ちます。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance
https://docs.microsoft.com/en-us/azure/machine-learning/concept-automated-ml

説明
ボックス 1: 顔認識
画像内の顔と属性を認識する顔検出。最大 100 万人のプライベート リポジトリ内の個人と一致する個人識別情報。幸福、軽蔑、中立、恐怖などのさまざまな表情を検出する知覚感情認識。画像内の類似した顔の認識とグループ化。
ボックス 2: OCR
ボックス 3: オブジェクト検出
オブジェクトの検出はタグ付けに似ていますが、API は検出された各オブジェクトの境界ボックスの座標 (ピクセル単位) を返します。たとえば、画像に犬、猫、人物が含まれている場合、検出操作では、これらのオブジェクトが画像内の座標と共に一覧表示されます。この機能を使用して、画像内のオブジェクト間の関係を処理できます。また、画像内に同じタグのインスタンスが複数あるかどうかを判断することもできます。
Detect API は、画像で識別されたオブジェクトまたは生物に基づいてタグを適用します。現在、タグ付け分類法とオブジェクト検出分類法の間に正式な関係はありません。概念レベルでは、Detect API はオブジェクトと生物のみを検出しますが、Tag API は次のようなコンテキスト用語を含めることもできます。
境界ボックスでローカライズできない「屋内」。
参照：
https://azure.microsoft.com/en-us/services/cognitive-services/face/
https://docs.microsoft.com/en-us/azure/cognitive-services/computer-vision/concept-object-detection

説明
グラフィカル ユーザー インターフェイス、テキスト、アプリケーション 説明が自動的に生成されます