説明
二値分類モデルで利用できる評価指標は、精度、精度、再現率、F1 スコア、および AUC です。
注: 非常に自然な質問は、「モデルの対象となった個人のうち、正しく分類された人 (TP) は何人ですか?」です。この質問は、モデルの精度 (正しく分類された陽性の割合) を確認することで答えることができます。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance

参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-deploy-and-where

説明
Leave One Out (LOO) 相互検証
K = n (観測値の数) と設定すると、n 倍が得られ、Leave-one out 相互検証 (LOO) と呼ばれ、K 倍アプローチの特殊なケースです。
LOO CV は役立つ場合もありますが、通常はデータを十分に揺るがしません。各フォールドからの推定値は高度に相関しているため、その平均には大きなばらつきが生じる可能性があります。
これが、通常の選択が K=5 または 10 である理由です。これは、バイアスと分散のトレードオフの適切な妥協点となります。

参照：
https://docs.microsoft.com/en-us/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig.automlconfig?view=azure-ml-py

Explanation:
ボックス 1: azureml.core.webservice から Webservice をインポートします
次のコードは、SDK を使用して Web サービスのモデル、環境、エントリ スクリプトを Azure Container Instances に更新する方法を示しています。
azureml.core インポート環境から
azureml.core.webservice から Web サービスをインポート
azureml.core.model からモデル、InferenceConfig をインポート
ボックス 2: 予測 = service.run(input_json)
例: 次のコードは、サービスへのデータの送信を示しています。
jsonをインポートする
test_sample = json.dumps({'data': [
[1、2、3、4、5、6、7、8、9、10]、
[10、9、8、7、6、5、4、3、2、1]
]})
テストサンプル = バイト(テストサンプル、エンコーディング='utf8')
予測 = service.run(input_data=test_sample)
印刷(予測)
参照：
https://docs.microsoft.com/bs-latn-ba/azure/machine-learning/how-to-deploy-azure-container-instance
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-troubleshoot-deployment