説明

ボックス1：pytorchをdeeplearninglibとしてインポートする
ボックス2：.. DistributedSampler（Sampler）..
DistributedSampler（サンプラー）：
データの読み込みをデータセットのサブセットに制限するサンプラー。
これは、class：`torch.nn.parallel.DistributedDataParallel`と組み合わせて使用​​すると特に便利です。このような場合、各プロセスは、DistributedSamplerインスタンスをDataLoaderサンプラーとして渡し、それ専用の元のデータセットのサブセットをロードできます。
シナリオ：サンプリングは、同じ機能を共有するローカルセグメンテーションモデルとグローバルセグメンテーションモデルの間で排他的に相互および集合を保証する必要があります。
ボックス3：オプティマイザー=deeplearninglib.train。GradientDescentOptimizer（learning_rate = 0.10）

説明
Explanation:
代わりに、Synthetic Minority Oversampling Technique（SMOTE）サンプリングモードを使用してください。
注：SMOTEは、機械学習に使用されるデータセットで過小評価されているケースの数を増やすために使用されます。SMOTEは、既存のケースを単に複製するよりも、まれなケースの数を増やすためのより良い方法です。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smote

Explanation:
ボックス1：相互情報量。
相互情報量スコアは、多くの次元を持つデータセットの同時分布とターゲット変数間の相互情報量を最大化するため、特徴選択で特に役立ちます。
ボックス2：MedianValue
MedianValueは特徴列であり、データセットの予測子です。
シナリオ：MedianValue列とAvgRoomsinHouse列は、どちらも数値形式のデータを保持します。2つの列の関係をより詳細に分析するには、特徴選択アルゴリズムを選択する必要があります。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/filter-based-feature-selection

説明

ボックス1：データの分割
ボックス2：パーティションとサンプル
ボックス3：2クラスのブーストされた決定木
ボックス4：モデルのハイパーパラメータを調整する
統合されたトレーニングと調整：使用するパラメーターのセットを構成してから、モジュールに複数の組み合わせを反復させ、「最良の」モデルが見つかるまで精度を測定します。ほとんどの学習者モジュールでは、トレーニングプロセス中に変更する必要があるパラメーターと、固定したままにする必要があるパラメーターを選択できます。
指定されたパラメーターを指定してモデルの良さを確立するには、Cross-ValidateModelを使用することをお勧めします。Tune Model Hyperparametersを使用して、最適なパラメーターを特定します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample

Explanation:
ステップ1：モデルをトレーニングする
2クラスブーストデシジョンツリー
まず、ブーストされた決定木モデルを設定します。
1.モジュールパレットで2クラスブーストデシジョンツリーモジュールを見つけて、キャンバスにドラッグします。
2. Train Modelモジュールを見つけてキャンバスにドラッグし、Two-Class BoostedDecisionTreeモジュールの出力をTrainModelモジュールの左側の入力ポートに接続します。
Two-Class Boosted Decision Treeモジュールは汎用モデルを初期化し、TrainModelはトレーニングデータを使用してモデルをトレーニングします。
3.左側のExecuteRScriptモジュールの左側の出力をTrainModelモジュールの右側の入力ポートに接続します（このチュートリアルでは、Split Dataモジュールの左側からのデータをトレーニングに使用しました）。
実験のこの部分は、次のようになります。

ステップ2：スコアモデル
モデルのスコアリングと評価
データの分割モジュールによって分離されたテストデータを使用して、トレーニング済みモデルをスコアリングします。次に、2つのモデルの結果を比較して、どちらがより良い結果を生成したかを確認できます。
スコアモデルモジュールを追加する
1.スコアモデルモジュールを見つけて、キャンバスにドラッグします。
2.2クラスBoostedDecisionTreeモジュールに接続されているTrainModelモジュールを、ScoreModelモジュールの左側の入力ポートに接続します。
3.右側のExecuteRScriptモジュール（テストデータ）をScoreModelモジュールの右側の入力ポートに接続します。

ステップ3：モデルを評価する
2つのスコアリング結果を評価して比較するには、モデルの評価モジュールを使用します。
1. Evaluate Modelモジュールを見つけて、キャンバスにドラッグします。
2.ブーストされたデシジョンツリーモデルに関連付けられたスコアモデルモジュールの出力ポートを、評価モデルモジュールの左側の入力ポートに接続します。
3.他のスコアモデルモジュールを右側の入力ポートに接続します。