Azure MachineLearningStudioのConverttoARFFモジュールを使用して、AzureMachineLearningのデータセットと結果をWekaツールセットで使用される属性関係ファイル形式に変換します。この形式はARFFとして知られています。
WekaのARFFデータ仕様は、データの前処理、分類、特徴選択など、複数の機械学習タスクをサポートしています。この形式では、データはエンティティとその属性によって編成され、単一のテキストファイルに含まれます。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/convert-to-arff

中央値停止ポリシーは、すべての実行の移動平均を計算し、最高のパフォーマンスが移動平均の中央値よりも悪い実行をキャンセルします。
ポリシーが指定されていない場合、ハイパーパラメータ調整サービスにより、すべてのトレーニング実行が完了するまで実行されます。
参照：
https://docs.microsoft.com/en-us/python/api/azureml-train-core/azureml.train.hyperdrive.medianstoppingpolicy
https://docs.microsoft.com/en-us/python/api/azureml-train-core/azureml.train.hyperdrive.truncationselectionpolicy
https://docs.microsoft.com/en-us/python/api/azureml-train-core/azureml.train.hyperdrive.banditpolicy

過剰適合モデルとは、列車セットのパフォーマンスが良好で改善を続けるのに対し、検証セットのパフォーマンスはある程度まで向上してから低下し始めるモデルです。
参照：
https://machinelearningmastery.com/diagnose-overfitting-underfitting-lstm-models/

説明

ボックス1：4
トレーニングと検証のエラーが少なく、最も一致するものを選択してください。
分散を最小限に抑えます（検証エラーとトレインエラーの違い）。
ボックス2：5
分散を最小限に抑えます（検証エラーとトレインエラーの違い）。
参照：
https://medium.com/comet-ml/organizing-machine-learning-projects-project-management-guidelines-2d2b85651

Explanation:
Azure Machine Learning Studioの[クリップ値]モジュールを使用して、指定したしきい値より上または下のデータ値を識別し、オプションで置き換えることができます。これは、外れ値を削除したり、平均値、定数値、またはその他の代替値に置き換えたりする場合に役立ちます。
参照：
https://blogs.msdn.microsoft.com/azuredev/2017/05/27/data-cleansing-tools-in-azure-machine-learning/
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clip-values