説明

ボックス1：500
ランダムシードの場合、ランダム化のシードとして使用する値を入力します。0（デフォルト）を指定すると、システムクロックに基づいて数値が生成されます。
シード値はオプションですが、同じ実験の実行全体で再現性が必要な場合は、値を指定する必要があります。
ここで、調査結果を複製する必要があります。
ボックス2：平均絶対誤差
シナリオ：トレーニングされたモデルとテストデータセットが与えられた場合、特徴変数の順列特徴重要度スコアを計算する必要があります。モデルの精度を調査し、結果を複製するための正しいメトリックを選択するには、順列特徴重要度モジュールを設定する必要があります。
回帰。次のいずれかを選択します：適合率、再現率、平均絶対誤差、二乗平均平方根誤差、相対絶対誤差、相対二乗誤差、決定係数参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/permutation-feature-importan

1-K-Meansクラスタリングモデルを実装します。
2-クラスターをDecisionJungleモデルの機能として使用します。
3-生のスコアをスコアマッチボックスレコメンダーモデルの機能として使用します。

Explanation:
ステップ1：K-Meansクラスタリングモデルを実装する
ステップ2：クラスターをDecisionジャングルモデルの機能として使用します。
決定ジャングルはノンパラメトリックモデルであり、非線形の決定境界を表すことができます。
ステップ3：スコアマッチボックスレコメンダーモデルの機能として生のスコアを使用するレコメンデーションシステムを作成する目的は、システムの「ユーザー」に1つ以上の「アイテム」を推奨することです。アイテムの例としては、映画、レストラン、本、歌などがあります。ユーザーは、個人、個人のグループ、またはアイテム設定を持つ他のエンティティである可能性があります。
シナリオ：
評価された広告応答は拒否されました。
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モデルは、同様の広告応答履歴に合わせて最適化する必要があります。
広告応答モデルは、機能の非線形境界をサポートする必要があります。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/multiclass-decision-jungle
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/score-matchbox-recommender