参照：
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.melt.html

Explanation:
ボックス1：0.859122
ボックス2：正線形関係
+1は、強い正の線形関係を示します
-1は強い負の線形相関を示します
0は、2つの変数間に線形関係がないことを示します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-linear-correlation

説明

ステップ1：パイプラインを公開します。
パイプラインをスケジュールするには、ワークスペースへの参照、公開されたパイプラインの識別子、およびスケジュールを作成する実験の名前が必要です。
手順2：パイプラインIDを取得します。
スケジュールに必要です。
ステップ3：ScheduleRecurrenceを作成します。
パイプラインを定期的に実行するには、スケジュールを作成します。スケジュールは、パイプライン、実験、およびトリガーを関連付けます。
まず、スケジュールを作成します。例：15分ごとに実行を開始するスケジュールを作成します。
recurrence = ScheduleRecurrence（frequency = "Minute"、interval = 15）
手順4：AzureMachineLearningパイプラインスケジュールを定義します。
例、続き：
recurring_schedule = Schedule.create（ws、name = "MyRecurringSchedule"、
description = "時間に基づく"、
Pipeline_id = pipeline_id、
実験名=実験名、
recurrence = recurrence）
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-schedule-pipelines

説明
Estimatorのinputsパラメーターを介してデータセットを渡すだけでなく、script_paramsを介してデータセットを渡し、引数を介してトレーニングスクリプトのデータパス（マウントポイント）を取得することもできます。このようにして、トレーニングスクリプトをazureml-sdkから独立させることができます。つまり、どのクラウドプラットフォームでも、ローカルデバッグとリモートトレーニングに同じトレーニングスクリプトを使用できます。
例：
azureml.train.sklearnからインポートSKLearn
script_params = {
＃データセットをリモートコンピューティングにマウントし、マウントされたパスを引数としてトレーニングスクリプトに渡します
'--data-folder'：mnist_ds.as_named_input（'mnist'）。as_mount（）、
'--正則化'：0.5
}
est = SKLearn（source_directory = script_folder、
script_params = script_params、
Compute_target = Compute_target、
environment_definition = env、
entry_script ='train_mnist.py'）
＃実験を実行する
run = Experiment.submit（est）
run.wait_for_completion（show_output = True）
参照：
https://docs.microsoft.com/es-es/azure/machine-learning/how-to-train-with-datasets