説明
参照：
https://machinelearningmastery.com/how-to-reduce-overfitting-in-deep-learning-with-weight-regularization/
https://en.wikipedia.org/wiki/Convolutional_neural_network

B：重みの正則化は、トレーニングデータに対する深層学習ニューラルネットワークモデルの過剰適合を減らし、ホールドアウトテストセットなどの新しいデータに対するモデルのパフォーマンスを向上させるアプローチを提供します。
Kerasは、損失関数に重みサイズのペナルティを追加できる重み正則化APIを提供します。
3つの異なる正則化インスタンスが提供されます。彼らです：
* L1：絶対重みの合計。
* L2：重みの2乗の合計。
* L1L2：絶対重みと2乗重みの合計。
D：完全に接続されたレイヤーがほとんどのパラメーターを占めるため、オーバーフィットする傾向があります。過剰適合を減らす1つの方法は、ドロップアウトです。各トレーニング段階で、個々のノードは確率1-pでネットから「ドロップアウト」されるか、確率pで維持されるため、ネットワークが縮小されたままになります。ドロップアウトされたノードへの着信エッジと発信エッジも削除されます。
すべてのトレーニングデータですべてのノードのトレーニングを回避することにより、ドロップアウトは過剰適合を減らします。
参照：
https://machinelearningmastery.com/how-to-reduce-overfitting-in-deep-learning-with-weight-regularization/
https://en.wikipedia.org/wiki/Convolutional_neural_network

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

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

統計では、ケンドールのタウ係数（ギリシャ文字τの後）と一般に呼ばれるケンドールの順位相関係数は、2つの測定された量の間の順序関係を測定するために使用される統計です。
これは、Azure MachineLearningFeatureの選択でサポートされている方法です。
シナリオ：大都市の不動産価格のデータを示す不動産データセットを使用して線形回帰モジュールをトレーニングする場合、モデルで使用するのに最適な機能を決定する必要があります。機能重要度プロセスが完了する前後のパフォーマンスを測定するために提供される標準メトリックを選択できます。複数のトレーニングモデル間での機能の分散が一貫していることを確認する必要があります。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/feature-selection-modules