説明

ボックス1：正のスキュー
正のスキュー値は、分布が右にスキューされていることを意味します。
ボックス2：負のスキュー
負の歪度値は、分布が左に歪んでいることを意味します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-elementary-statistics

説明

決定木では、ツリーの深さが分散を決定します。複雑な決定木（例：深い）は、バイアスが低く、分散が大きくなります。
注：統計と機械学習では、偏りと分散のトレードオフは一連の予測モデルの特性であり、パラメーター推定のバイアスが低いモデルでは、サンプル間でパラメーター推定の分散が大きくなります。その逆も同様です。バイアスを増やすと、分散が減少します。分散を大きくすると、バイアスが小さくなります。
参照：
https://machinelearningmastery.com/gentle-introduction-to-the-bias-variance-trade-off-in-machine-learning/

受信者動作特性（またはROC）は、特定のモデルの正しく分類されたラベルと誤って分類されたラベルのプロットです。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-understand-automated-ml#confusion-matrix
トピック2、概要
現在の環境
要件
*ペナルティイベントの検出に使用されるメディアは、消費者向けデバイスによって提供されます。メディアには、スポーツイベント中にキャプチャされ、ソーシャルメディアを使用してスネアされた画像やビデオが含まれる場合があります。画像と動画のサイズと形式はさまざまです。
*モデル構築に利用できるデータは、7年間のスポーツイベントメディアで構成されています。スポーツイベントのメディアには、録画されたビデオ、ラジオの解説のトランスクリプト、およびスポーツイベント中にキャプチャされた関連するソーシャルメディアフィードフィードからのログが含まれます。
*群衆の感情には、モノラル形式とステレオ形式の両方でイベント参加者から提出されたオーディオ録音が含まれます。
広告
*広告応答モデルは、各イベントの開始時にトレーニングし、スポーツイベント中に適用する必要があります。
*マーケットセグメンテーションnxxlelsは、同様の広告resporr.r履歴に合わせて最適化する必要があります。
*サンプリングは、同じ機能を共有する相互および集合的な排他性のローカルおよびグローバルセグメンテーションモデルを保証する必要があります。
*広告に応答するユーザーの傾向を判断する前に、ローカルマーケットセグメンテーションモデルが適用されます。
*データサイエンティストは、モデルの劣化と減衰を検出できる必要があります。
*広告応答モデルは、非線形境界機能をサポートする必要があります。
*広告傾向モデルはカットしきい値が0.45であり、加重カッパが0.1 +/- 5％から外れると再トレーニングが発生します。
*広告傾向モデルは、次の図に示すコスト係数を使用します。

広告傾向モデルは、次の図に示す提案されたコスト要因を使用します。

現在および提案されているコスト要因シナリオのパフォーマンス曲線を次の図に示します。

ペナルティの検出と感情
調査結果
*データサイエンティストは、ペナルティイベントの検出に複数の機械学習モデルを使用してインテリジェントなソリューションを構築する必要があります。
*データサイエンティストは、機械学習パイプラインでの自動特徴エンジニアリングとモデル構築を使用して、ローカル環境でノートブックを構築する必要があります。
*動的なワーカー割り当てでSparkインスタンスを使用して再トレーニングするには、ノートブックをデプロイする必要があります
*ノートブックは、データのソースのみを再コード化するために、新しいSparkインスタンスで同じコードで実行する必要があります。
*グローバルペナルティ検出モデルは、トレーニング中に動的ランタイムグラフ計算を使用してトレーニングする必要があります。
*ローカルペナルティ検出モデルは、BrainScriptを使用して作成する必要があります。
*地域の群衆感情モデルの実験では、地域のペナルティ検出データを組み合わせる必要があります。
*群衆の感情モデルは、歓声や既知のキャッチフレーズなどの既知の音を識別する必要があります。個々の群集感情モデルは、同様の音を検出します。
*ローカルモデルのすべての共有機能は連続変数です。
*共有機能は倍精度を使用する必要があります。後続のレイヤーには、利用可能な総移動平均と標準偏差のメトリックが必要です。
セグメント
生産の最初の数週間で、次のことが観察されました。
*広告の回答率は低下しました。
*ドロップは広告スタイル間で一貫していませんでした。
*トレーニングデータと本番データ全体での機能の分散には一貫性がありません。
分析によると、ユーザーの位置と行動に関する100の数値特徴のうち、位置ソースからの47の特徴が生の特徴として使用されています。偏りと分散の問題を解決するために推奨される実験は、10個の線形に修正されていない特徴を設計することです。
ペナルティの検出と感情
*最初のデータ検出では、群集感情モデルに使用されるトレーニングデータで、ターゲット状態の密度が広範囲に渡っています。
*すべてのペナルティ検出モデルは、確率的勾配降下法（SGD）を使用した推論フェーズがあまりにも多く実行されていることを示しています。
*オーディオサンプルでは、​​キャッチフレーズの長さが地域によって25％〜47％の間で変化することが示されています。
*グローバルペナルティ検出モデルのパフォーマンスは、トレーニングセットと検証セットを比較すると、分散は低くなりますが、バイアスが高くなります。機能の変更を実装する前に、すべてのトレーニングと検証のケースを使用してバイアスと分散を確認する必要があります。

説明
Explanation:
ピアソンの相関統計、またはピアソンの相関係数は、統計モデルではr値としても知られています。任意の2つの変数について、相関の強さを示す値を返します。ピアソンの相関係数は、2つの連続変数間の統計的関係または関連を測定する検定統計量です。これは、共分散の方法に基づいているため、対象の変数間の関連を測定するための最良の方法として知られています。これは、関連または相関の大きさ、および関係の方向に関する情報を提供します。
不正解：
C：双方向カイ二乗検定は、期待値が実際の結果にどれだけ近いかを測定する統計的方法です。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/filter-based-feature-selection
https://www.statisticssolutions.com/pearsons-correlation-coefficient/

まず、トレーニングパイプラインをリアルタイムの推論パイプラインに変換する必要があります。このプロセスでは、トレーニングモジュールが削除され、リクエストを処理するためのWebサービスの入力と出力が追加されます。
不正解：
A：データを手動で入力モジュールを使用して、値を入力して小さなデータセットを作成します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/tutorial-designer-automobile-price-deploy
https://docs.microsoft.com/en-us/azure/machine-learning/algorithm-module-reference/enter-data-manually