線形判別分析手法は、カテゴリ変数や順序変数ではなく、連続変数に対してのみ機能します。
線形判別分析は、変数の平均を比較することによって機能するという点で分散分析 (ANOVA) に似ています。
シナリオ：
データ サイエンティストは、機械学習パイプラインでの自動特徴量エンジニアリングとモデル構築を使用して、ローカル環境でノートブックを構築する必要があります。
ローカル群衆センチメント モデルの実験では、ローカル ペナルティ検出データを組み合わせる必要があります。
ローカル モデルのすべての共有特徴量は連続変数です。
不正解:
B: ピアソン相関係数はピアソンの R 検定とも呼ばれ、2 つの変数間の線形関係を測定する統計値です。係数値を調べることによって、2 つの変数間の関係の強さ、およびそれらが正の相関関係にあるのか、負の相関関係にあるのかを推測できます。
C: スピアマンの相関係数は、ノンパラメトリックおよび非正規分布データで使用するように設計されています。スピアマン係数は、2 つの変数間の統計的依存性のノンパラメトリック尺度であり、ギリシャ文字の rho で表されることもあります。スピアマン係数は、2 つの変数が単調に関連する度合いを表します。順序変数で使用できるため、スピアマン順位相関とも呼ばれます。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/fisher-linear-discriminant-analysis
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-linear-correlation

Explanation:
ボックス 1: pytorch を deeplearninglib としてインポートする
ボックス 2: ..DistributedSampler(サンプラー)..
分散サンプラー(サンプラー):
データの読み込みをデータセットのサブセットに制限するサンプラー。
これは、class:`torch.nn.Parallel.DistributedDataParallel` と組み合わせて使用​​すると特に便利です。このような場合、各プロセスは DistributedSampler インスタンスを DataLoader サンプラーとして渡し、そのプロセス専用の元のデータセットのサブセットをロードできます。
シナリオ: サンプリングでは、同じ機能を共有するローカル セグメンテーション モデルとグローバル セグメンテーション モデルの間で相互的および集合的な排他的性を保証する必要があります。
ボックス 3: オプティマイザー = deeplearninglib.train。GradientDescentOptimizer(learning_rate=0.10) 不正解: ..SGD..
シナリオ: すべてのペナルティ検出モデルは、確率的勾配降下 (SGD) を使用した推論フェーズの実行が遅すぎることを示しています。
ボックス 4: ..nn.Parallel.DistributedDataParallel..
DistributedSampler(Sampler): データの読み込みをデータセットのサブセットに制限するサンプラー。
これは、torch.nn.Parallel.DistributedDataParallel` と組み合わせて使用​​すると特に便利です。
参考文献:
https://github.com/pytorch/pytorch/blob/master/torch/utils/data/distributed.py

説明

ボックス 1: DF としてのパンダ
Pandas はデータ (CSV、TSV ファイル、SQL データベースなど) を取得し、統計ソフトウェア (Excel や SPSS など) のテーブルによく似たデータ フレームと呼ばれる行と列を含む Python オブジェクトを作成します。
ボックス 2: 転置[ProductCategoryMapping]
pandas シリーズのデータ​​を列に再形成します。
参照：
https://datascienceplus.com/linear-regression-in-python/

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

回帰モデルを評価するために、次の指標が報告されます。モデルを比較すると、評価用に選択したメトリックによってモデルがランク付けされます。
平均絶対誤差 (MAE) は、予測が実際の結果にどれだけ近いかを測定します。したがって、スコアが低いほど優れています。
二乗平均平方根誤差 (RMSE) は、モデル内の誤差を要約する単一の値を作成します。差を二乗することにより、メトリクスは過剰予測と過小予測の差を無視します。
相対絶対誤差 (RAE) は、期待値と実際の値の間の相対絶対差です。平均差が算術平均で除算されるため、相対的となります。
相対二乗誤差 (RSE) も同様に、予測値の合計二乗誤差を実際の値の合計二乗誤差で割ることによって正規化します。
平均ゼロ 1 誤差 (MZOE) は、予測が正しかったかどうかを示します。言い換えると、x!=y の場合、ZeroOneLoss(x,y) = 1 となります。それ以外の場合は 0。
決定係数は R2 と呼ばれることが多く、モデルの予測力を 0 ～ 1 の値で表します。ゼロはモデルがランダムである (何も説明しない) ことを意味します。1 は完全にフィットしていることを意味します。ただし、R2 値の解釈には注意が必要です。低い値はまったく正常であり、高い値は疑わしい可能性があります。
AUC。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model