説明
B: Azure Resource Manager テンプレートを使用して、Azure Machine Learning 用のワークスペースを作成できます。
例：
{"タイプ": "Microsoft.MachineLearningServices/workspaces",
...
C: Azure CLI を使用して Azure Machine Learning のワークスペースを作成できます。 機械学習拡張機能をインストールします。
リソース グループを作成します: az group create --name <resource-group-name> --location <location> サービスが自動的に作成される新しいワークスペースを作成するには、次のコマンドを使用します: az ml workspace create -w <workspace- name> -g <resource-group-name> D: Azure portal で Azure Machine Learning ワークスペースを作成および管理できます。
Azure サブスクリプションの資格情報を使用して、Azure portal にサインインします。
Azure portal の左上隅で、 [+ リソースの作成] を選択します。
検索バーを使用して Machine Learning を見つけます。
「機械学習」を選択します。
[機械学習] ペインで、 [作成] を選択して開始します。

参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-create-workspace-template
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-manage-workspace-cli
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-manage-workspace

説明

参考文献:
https://www.edureka.co/blog/classification-algorithms/

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
トピック 1、概要
データセットの問題
両方のデータセットの AccessibilityToHighway 列に欠損値が含まれています。欠損値を埋める前に、データ内の他の変数を使用して条件付きでモデル化されるように、欠損データを新しいデータで置き換える必要があります。
各データセットの列には欠損値と null 値が含まれています。データセットには多くの外れ値も含まれています。Age 列には外れ値の割合が高くなります。Age 列に異常値がある行を削除する必要があります。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。
モデルの適合
モデルには過剰適合の兆候が見られます。過学習を軽減する、より洗練された回帰モデルを作成する必要があります。
実験の要件
パフォーマンスを評価するには、線形回帰モジュールとベイジアン線形回帰モジュールを相互検証するように実験を設定する必要があります。
いずれの場合も、データセットの予測子は MedianValue という名前の列です。初期調査では、MedianValue 列を除けばデータセットの構造が同一であることがわかりました。小さいパリのデータセットにはテキスト形式の中央値が含まれていますが、大きいロンドンのデータセットには数値形式の中央値が含まれています。パリ データセットの MedianValue 列のデータ型がロンドン データセットの構造と一致することを確認する必要があります。
結果を予測するには、データ列に優先順位を付ける必要があります。関係を測定するには、非パラメータ統計を使用する必要があります。
MedianValue 列と AvgRoomsinHouse 列の間の関係を分析するには、特徴選択アルゴリズムを使用する必要があります。
モデルのトレーニング
トレーニングされたモデルとテスト データセットが与えられた場合、特徴変数の置換特徴重要度スコアを計算する必要があります。モデルの精度を調査し、結果を再現するには、正しいメトリクスを選択するように置換特徴重要度モジュールを設定する必要があります。
モデルの学習プロセスでハイパーパラメーターを構成し、ハイパーパラメーターを使用して学習フェーズを高速化したいと考えています。さらに、この構成では、各評価間隔で最もパフォーマンスの低い実行をキャンセルする必要があるため、成功する可能性がより高いモデルに労力とリソースが振り向けられます。
モデルがハイパーパラメーター調整でコンピューティング リソースを効率的に使用していない可能性があることを懸念しています。また、このモデルによって全体のチューニング時間の増加が妨げられるのではないかという懸念もあります。したがって、有望なジョブを終了させることなくコストを節約できる早期停止基準をモデルに実装する必要があります。
テスト
Azure Machine Learning Studio のパーティションとサンプル モジュールを使用して、サンプリングに基づいてデータセットの複数のパーティションを作成する必要があります。相互検証のために 3 つの等しいパーティションを作成する必要があります。また、テスト データセットとトレーニング データセットの行が各都市の主要な川に近いプロパティごとに均等に分割されるように、相互検証プロセスを構成する必要があります。不動産が川の近くにあることを識別するデータは、NextToRiver という名前の列に保持されます。このタスクは、データがサンプリング プロセスを通過する前に完了する必要があります。
大都市の不動産価格のデータを示す不動産データセットを使用して線形回帰モジュールをトレーニングする場合は、モデルで使用する最適な特徴を決定する必要があります。機能重要度のプロセスが完了する前後のパフォーマンスを測定するために提供される標準メトリックを選択できます。複数のトレーニング モデルにわたる特徴の分布が一貫していることを確認する必要があります。
データの視覚化
テスト結果を Fabrikam Residences チームに提供する必要があります。データ視覚化を作成して、結果の表示を支援します。
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 デシジョン フォレスト モジュールと 2 クラス デシジョン ジャングル モジュールを相互比較するには、Azure Machine Learning Studio 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。

実行は、実験の 1 回の試行を表します。実行は、トライアルの非同期実行を監視し、メトリクスを記録してトライアルの出力を保存し、結果を分析してトライアルによって生成されたアーティファクトにアクセスするために使用されます。
実行クラスの get_all_logs メソッドは、実行のすべてのログをディレクトリにダウンロードします。
参照：
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.run(クラス)