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:
最も基本的な意味では、回帰とは数値目標の予測を指します。
線形回帰では、1 つ以上の独立変数と数値結果または従属変数との間に線形関係を確立しようとします。
このモジュールを使用して線形回帰手法を定義し、ラベル付きデータセットを使用してモデルをトレーニングします。トレーニングされたモデルを使用して予測を行うことができます。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/linear-regression

参照：
https://machinelearningmastery.com/difference-test-validation-datasets/

モデルの説明能力。
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」をオープンできることは、透明性と信頼の構築に役立ちます。医療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。この重要な側面の 1 つは、入力変数 (特徴) とモデル出力の間の関係を理解することです。各特徴量 (特徴量の重要度) 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、モデルをより深く理解して説明するのに役立ちます。モデルの説明機能により、自動化された 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/