Explanation:
機械学習では、データにラベルを付けた場合、データにマークアップまたは注釈が付けられ、機械学習モデルで予測したい答えであるターゲットが表示されることを意味します。
一般に、データのラベル付けとは、データのタグ付け、注釈、分類、モデレーション、転写、または処理を含むタスクを指します。
不正解:
特徴ではない: 機械学習と統計において、特徴の選択は、分析モデルの構築に使用する関連性の高い有用な特徴のサブセットを選択するプロセスです。特徴の選択は、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絞り込むと、ノイズが軽減され、トレーニングのパフォーマンスが向上します。
参照：
https://www.cloudfactory.com/data-labeling-guide

参照：
https://docs.microsoft.com/en-us/azure/cognitive-services/face/overview
https://docs.microsoft.com/en-us/azure/cognitive-services/face/concepts/face-detection

参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance TP を見つけるのは簡単です。基本的には、Predicted と True の値が 1 である値を意味し、この場合は 11 になります。
偽陰性とは、真の値は 1 であるが、予測値は 0 であったことを意味します。この場合、それは 1033 です。混同行列では、予測値と実際の値が両方とも 1 だったケース (真陽性と呼ばれる) が左上に示され、両方の値が 1 だったケースも示されています。予測値であり、実際の値は右下で 0 (真陰性) でした。他のセルは、予測値と実際の値が異なる場合 (偽陽性と偽陰性) を示します。
https://docs.microsoft.com/en-us/learn/modules/create-classification-model-azure-machine-learning-designer/evaluate-model

説明