説明

ボックス 1: nb_server

ボックス 2: mlc_cluster
Azure Machine Learning を使用すると、コンピューティング ターゲットと総称されるさまざまなリソースまたは環境でモデルをトレーニングできます。コンピューティング ターゲットは、ローカル マシンまたはクラウド リソース (Azure Machine Learning コンピューティング、Azure HDInsight、リモート仮想マシンなど) にすることができます。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/concept-compute-target
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-set-up-training-targets

1 - グローバル モデルをインポートし、PyTorch を使用してローカル モデルを構築します。
2 - PyTorch を使用してグローバル モデルを構築します。
3 - TensorFlow を使用してグローバル モデルを構築します。
4 - グローバル モデルをインポートし、TensorFlow を使用してローカル モデルを構築します。

説明

ボックス 1: 相互情報。
相互情報量スコアは、多次元のデータセット内の結合分布とターゲット変数の間の相互情報量を最大化するため、特徴の選択に特に役立ちます。
ボックス 2: 中央値
MedianValue は特徴列であり、データセットの予測子です。
シナリオ: MedianValue 列と AvgRoomsinHouse 列は両方とも数値形式でデータを保持します。2 つの列間の関係をより詳細に分析するには、特徴選択アルゴリズムを選択する必要があります。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/filter-based-feature-selection

B: 連続ハイパーパラメータは、値の連続範囲にわたる分布として指定されます。サポートされているディストリビューションには次のものが含まれます。
*uniform(low, high) - 低値と高値の間で均一に分布する値を返します。 D: 離散ハイパーパラメータは、離散値の中からの選択肢として指定されます。選択肢は次のとおりです。
* 1 つ以上のカンマ区切りの値
* 範囲オブジェクト
* 任意のリストオブジェクト
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters

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