説明
ランダムグリッドでの最大実行回数：このオプションは、パラメーター値のランダムサンプリングの反復回数も制御しますが、値は指定された範囲からランダムに生成されません。代わりに、パラメータ値のすべての可能な組み合わせからマトリックスが作成され、ランダムサンプリングがマトリックスに対して行われます。この方法は、より効率的で、地域のオーバーサンプリングまたはアンダーサンプリングの傾向が少なくなります。
統合されたパラメータースイープをサポートするモデルをトレーニングしている場合は、使用するシード値の範囲を設定し、ランダムシードを反復処理することもできます。これはオプションですが、シードの選択によって生じるバイアスを回避するのに役立ちます。

Explanation:
ボックス1：training_data
実験内で使用されるトレーニングデータ。トレーニング機能とラベル列（オプションでサンプルの重み列）の両方が含まれている必要があります。training_dataを指定する場合は、label_column_nameパラメーターも指定する必要があります。
ボックス2：validation_data
検証データの提供：この場合、単一のデータファイルから開始して、トレーニングセットと検証セットに分割するか、検証セット用に別のデータファイルを提供することができます。いずれの場合も、AutoMLConfigオブジェクトのvalidation_dataパラメーターは、検証セットとして使用するデータを割り当てます。
たとえば、次のコード例では、データセット内の提供されたデータのどの部分をトレーニングと検証に使用するかを明示的に定義しています。
データセット=Dataset.Tabular.from_delimited_files（data）
training_data、validation_data =dataset.random_split（percentage = 0.8、seed = 1）automl_config = AutoMLConfig（compute_target = aml_remote_compute、task ='classification'、primary_metric ='AUC_weighted'、training_data = training_data、validation_data = validate_data、label_column_name ='Class'）ボックス3：label_column_name label_column_name：
ラベル列の名前。入力データが列名を持たないpandas.DataFrameからのものである場合は、代わりに列インデックスを整数として使用できます。
このパラメーターは、training_dataおよびvalidation_dataパラメーターに適用できます。
不正解：
X：実験中にパイプラインをフィッティングするときに使用するトレーニング機能。この設定は非推奨になりました。代わりにtraining_dataとlabel_column_nameを使用してください。
Y：実験中にパイプラインをフィッティングするときに使用するトレーニングラベル。これは、モデルが予測する値です。この設定は非推奨になりました。代わりにtraining_dataとlabel_column_nameを使用してください。
X_valid：実験中にパイプラインをフィッティングするときに使用する検証機能。
指定する場合は、y_validまたはsample_weight_validも指定する必要があります。
Y_valid：実験中にパイプラインをフィッティングするときに使用する検証ラベル。
X_validとy_validの両方を一緒に指定する必要があります。
Exclusive_nan_labels：ラベルにNaN値が含まれる行を除外するかどうか。デフォルトはTrueです。
y_max：y_max（フロート）
回帰実験のyの最大値。y_minとy_maxの組み合わせは、入力データ範囲に基づいてテストセットのメトリックを正規化するために使用されます。指定しない場合、最大値はデータから推測されます。
参照：
https://docs.microsoft.com/en-us/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig.automlconfig?view=azure-ml-py

説明
確率的PCAを使用した置換：連鎖方程式（MICE）を使用した多重代入などの他のオプションと比較して、このオプションには、各列に予測子を適用する必要がないという利点があります。代わりに、完全なデータセットの共分散を近似します。したがって、多くの列に値が欠落しているデータセットのパフォーマンスが向上する可能性があります。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data