1 - コンピューティング インスタンスを作成して開始する
2 - トレーニング パイプラインを作成して実行します。
3 - リアルタイム推論パイプラインを作成して実行する
参照：
https://docs.microsoft.com/en-us/learn/modules/create-classification-model-azure-machine-learning-designer/

説明

ボックス 1: ブーストされたデシジョン ツリー回帰
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。
ボックス 2:
オンライン勾配降下法: アルゴリズムに最適なパラメーターを見つけてもらいたい場合は、[トレーナー モードの作成] オプションを [パラメーター範囲] に設定します。その後、試行するアルゴリズムに複数の値を指定できます。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/linear-regression

Explanation:
ボックス 1: ストップワードを削除する
情報検索を最適化するために単語を削除します。
ストップワードを削除する: 事前定義されたストップワード リストをテキスト列に適用する場合は、このオプションを選択します。ストップワードの除去は、他の処理の前に実行されます。
ボックス 2: 見出し語化
複数の関連単語が 1 つの標準形式から存在することを確認します。
見出し語化により、複数の関連単語が 1 つの標準形式に変換されます。 ボックス 3: 特殊文字を削除します。 特殊文字を削除します。 このオプションを使用して、英数字以外の特殊文字をパイプ | に置き換えます。キャラクター。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/preprocess-text

Explanation:
ボックス 1: はい
ハイパーパラメータは、トレーニング プロセス自体を制御するモデルをトレーニングするために選択する調整可能なパラメータです。Azure Machine Learning を使用すると、ハイパーパラメーターの探索を効率的な方法で自動化し、時間とリソースを大幅に節約できます。ハイパーパラメータ値の範囲とトレーニング実行の最大数を指定します。その後、システムは、異なるパラメーター構成で複数の同時実行を自動的に開始し、選択したメトリックによって測定された最高のパフォーマンスをもたらす構成を見つけます。パフォーマンスの悪いトレーニング実行は自動的に早期に終了され、コンピューティング リソースの無駄が削減されます。これらのリソースは、代わりに他のハイパーパラメータ設定を調べるために使用されます。
ボックス 2: はい
uniform(low, high) - 低値と高値の間で均一に分散された値を返します。 ボックス 3: ベイジアン サンプリングなし 現在、早期終了ポリシーはサポートされていません。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters