説明
framework_version：トレーニングコードの実行に使用されるPyTorchバージョン。
参照：
https://docs.microsoft.com/en-us/python/api/azureml-train-core/azureml.train.dnn.pytorch?view=azure-ml-py

説明
相対二乗誤差、決定係数は線形回帰モデルを評価するための優れたメトリックですが、その他は分類モデルのメトリックです。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model

説明

ボックス1：MICEを使用して交換
MICEを使用した置換：このオプションは、欠落している値ごとに、「連鎖方程式を使用した多変量代入」または統計文献に記載されている方法を使用して計算された新しい値を割り当てます。
「連鎖方程式による多重代入」。多重代入法では、欠測データのある各変数は、欠測値を入力する前に、データ内の他の変数を使用して条件付きでモデル化されます。
シナリオ：両方のデータセットのAccessibilityToHighway列に欠落している値が含まれています。欠落しているデータは、欠落している値を入力する前に、データ内の他の変数を使用して条件付きでモデル化されるように、新しいデータに置き換える必要があります。
ボックス2：伝播
すべての欠落値を含む列は、すべての欠落値の列を出力に保持する必要があるかどうかを示します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data

参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters

AzureMachineLearningを使用してAzureContainerInstances（ACI）およびAzure Kubernetes Service（AKS）で一般的なDockerデプロイメントエラーを回避または解決する方法。
モデル展開に推奨される最新のアプローチは、Environmentオブジェクトを入力パラメーターとして使用するModel.deploy（）APIを使用することです。この場合、当社のサービスはデプロイ段階でベースDockerイメージを作成し、必要なモデルをすべて1回の呼び出しでマウントします。基本的な展開タスクは次のとおりです。
1.モデルをワークスペースモデルレジストリに登録します。
2.推論構成を定義します。
a。環境yamlファイルで指定した依存関係に基づいてEnvironmentオブジェクトを作成するか、調達した環境の1つを使用します。
b。環境とスコアリングスクリプトに基づいて、推論構成（InferenceConfigオブジェクト）を作成します。
3.モデルをAzureContainerInstance（ACI）サービスまたはAzure Kubernetes Service（AKS）にデプロイします。