conda_packages =['scikit-learn']という行がありません。これは必要です。
正しい例：
sk_est = Estimator（source_directory ='./ my-sklearn-proj'、
script_params = script_params、
Compute_target = Compute_target、
entry_script ='train.py'、
conda_packages = ['scikit-learn']）
ノート：
Estimatorクラスは、提供されたフレームワークを使用してデータをトレーニングするための汎用推定量を表します。
このクラスは、AzureMachineLearningの事前構成されたEstimatorがまだない機械学習フレームワークで使用するように設計されています。Chainer、PyTorch、TensorFlow、およびSKLearn用に事前構成された推定器が存在します。
例：
azureml.train.estimatorからインポートEstimator
script_params = {
＃mnistデータセットによって参照されるファイルをマウントする
'--data-folder'：ds.as_named_input（'mnist'）。as_mount（）、
'--正則化'：0.8
}
参照：
https://docs.microsoft.com/en-us/python/api/azureml-train-core/azureml.train.estimator.estimator

Split Dataは、データセットの行を2つの異なるセットに分割します。
Azure MachineLearningStudioのSplitDataモジュールのRelativeExpressionSplitオプションは、数値式を使用してデータセットをトレーニングデータセットとテストデータセットに分割する必要がある場合に役立ちます。
相対式分割：数値列に条件を適用する場合は、このオプションを使用します。数値は、日付/時刻フィールド、年齢または金額を含む列、あるいはパーセンテージである可能性があります。たとえば、アイテムのコストに応じてデータセットを分割したり、年齢層で人をグループ化したり、カレンダーの日付でデータを分けたりすることができます。
シナリオ：
広告に反応するユーザーの傾向を判断する前に、ローカルマーケットセグメンテーションモデルが適用されます。
トレーニングデータと本番データ全体での機能の分散は一貫していません。参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/split-data

説明

ステップ1：スイープクラスタリング
まず、「モデルのハイパーパラメータの調整」モジュールを使用して、検討している各モデルに最適なパラメータのセットを選択します。
「TuneModelHyperparameters」モジュールの興味深い点の1つは、Tuneingからの結果を出力するだけでなく、TrainedModelも出力することです。
ステップ2：モデルをトレーニングする
ステップ3：モデルを評価する
シナリオ：テスト結果をFabrikamResidencesチームに提供する必要があります。結果の提示を支援するためにデータの視覚化を作成します。
モデルの診断テスト評価を実行するには、受信者動作特性（ROC）曲線を作成する必要があります。2クラスのDecisionForestモジュールと2クラスのDecisionJungleモジュールを相互に比較するには、Azure MachineLearningStudioでROC曲線を作成するための適切な方法を選択する必要があります。
参照：
http://breaking-bi.blogspot.com/2017/01/azure-machine-learning-model-evaluation.html