説明

ボックス1：サンプリング
データのサンプルを作成する
このオプションは、単純ランダムサンプリングまたは層化ランダムサンプリングをサポートします。これは、テスト用のより小さな代表的なサンプルデータセットを作成する場合に役立ちます。
1.パーティションとサンプルモジュールをStudioの実験に追加し、データセットを接続します。
2.パーティションまたはサンプルモード：これをサンプリングに設定します。
3.サンプリングのレート。以下のボックス2を参照してください。
ボックス2：0
3.サンプリングのレート。サンプリング用のランダムシード：オプションで、シード値として使用する整数を入力します。
このオプションは、行を毎回同じように分割する場合に重要です。デフォルト値は0です。これは、開始シードがシステムクロックに基づいて生成されることを意味します。これにより、実験を実行するたびにわずかに異なる結果が生じる可能性があります。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample

Azure Cognitive Servicesは、Microsoftの進化する機械学習APIのポートフォリオを拡張し、開発者が感情やビデオの検出などのコグニティブ機能を簡単に追加できるようにします。顔、音声、および視覚の認識。そしてスピーチと言語理解-それらのアプリケーションに。Azure Cognitive Servicesの目標は、開発者が、見たり、聞いたり、話したり、理解したり、推論を開始したりできるアプリケーションを作成できるようにすることです。Azure Cognitive Services内のサービスのカタログは、ビジョン、スピーチ、言語、検索、および知識の5つの主要な柱に分類できます。
参照：
https://docs.microsoft.com/en-us/azure/cognitive-services/welcome

説明

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-recommende