エスティメーターの入力パラメーターを介してデータセットを渡す以外に、script_params を介してデータセットを渡し、引数を介してトレーニング スクリプト内のデータ パス (マウント ポイント) を取得することもできます。こうすることで、トレーニング スクリプトを azureml-sdk から独立させておくことができます。つまり、どのクラウド プラットフォームでも、ローカル デバッグとリモート トレーニングに同じトレーニング スクリプトを使用できるようになります。
例：
azureml.train.sklearn から SKLearn をインポート
script_params = {
# データセットをリモート コンピューティングにマウントし、マウントされたパスを引数としてトレーニング スクリプトに渡します
'--data-folder': mnist_ds.as_named_input('mnist').as_mount(),
'--正則化': 0.5
}
est = SKLearn(ソースディレクトリ=スクリプトフォルダ,
script_params=script_params,
compute_target=compute_target、
環境定義=環境、
エントリー_スクリプト='train_mnist.py')
# 実験を実行する
run = 実験.submit(est)
run.wait_for_completion(show_output=True)
不正解:
A: Pandas DataFrame は使用されません。
参照：
https://docs.microsoft.com/es-es/azure/machine-learning/how-to-train-with-datasets

バッチ正規化後の統計 (PBN) は、推論に使用できるバッチ正規化の母平均と分散を評価する方法の Microsoft Cognitive Toolkit (CNTK) バージョンです。
CNTK では、カスタム ネットワークは BrainScriptNetworkBuilder を使用して定義され、CNTK ネットワーク記述言語「BrainScript」で記述されます。シナリオ：
ローカル ペナルティ検出モデルは、BrainScript を使用して作成する必要があります。
参考文献:
https://docs.microsoft.com/en-us/cognitive-toolkit/post-batch-normalization-statistics モデリング用のデータを準備する Testlet 2 ケース スタディ これはケース スタディです。ケーススタディは個別に時間が設定されるわけではありません。各ケースを完了したいだけ試験時間を費やすことができます。ただし、この試験には追加のケーススタディやセクションが存在する場合があります。この試験に含まれるすべての質問を指定された時間内に完了できるように時間を管理する必要があります。
ケーススタディに含まれる質問に答えるには、ケーススタディで提供される情報を参照する必要があります。ケース スタディには、ケース スタディで説明されているシナリオに関する詳細情報を提供する展示やその他のリソースが含まれる場合があります。このケーススタディでは、各質問は他の質問から独立しています。
このケーススタディの最後に、レビュー画面が表示されます。この画面では、試験の次のセクションに進む前に、回答を確認し、変更を加えることができます。新しいセクションを開始した後は、このセクションに戻ることはできません。
ケーススタディを開始するには
このケーススタディの最初の質問を表示するには、「次へ」ボタンをクリックします。質問に答える前に、左側のペインのボタンを使用してケーススタディの内容を調べてください。これらのボタンをクリックすると、ビジネス要件、既存の環境、問題の説明などの情報が表示されます。ケーススタディに [すべての情報] タブがある場合、表示される情報は後続のタブに表示される情報と同じであることに注意してください。質問に答える準備ができたら、「質問」ボタンをクリックして質問に戻ります。
概要
あなたは、米国の質の高い民間および商業不動産を専門とする会社、Fabrikam Residences のデータ サイエンティストです。Fabrikam Residences はヨーロッパへの進出を検討しており、ヨーロッパの主要都市の個人住宅の価格を調査するよう依頼されました。
Azure Machine Learning Studio を使用して、プロパティの中央値を測定します。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使用して、不動産価格を予測する回帰モデルを作成します。
データセット
ロンドンとパリの 2 つの都市の不動産詳細を含む CSV 形式のデータセットが 2 つあります。両方のファイルを実験の開始点として別個のデータセットとして Azure Machine Learning Studio に追加します。どちらのデータセットにも次の列が含まれています。

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。
データの問題
欠損値
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。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、ノンパラメトリック統計を使用する必要があります。
MediaValue 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が必要です。
モデルのトレーニング
順列機能の重要性
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。モデルに絶対的に適合するかどうかを判断する必要があります。
ハイパーパラメータ
学習フェーズを高速化するには、モデルの学習プロセスでハイパーパラメーターを構成する必要があります。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節約を提供す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
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。データがサンプリング プロセスを通過する前に、このタスクを完了する必要があります。
線形回帰モジュール
線形回帰モジュールをトレーニングするときは、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。機能重要度プロセスの完了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は一貫している必要があります。
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 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。

automl_classifier の get_output メソッドは、最後の呼び出しに対する最適な実行と適合モデルを返します。
get_output のオーバーロードを使用すると、ログに記録されたメトリクスまたは特定の反復に対して最適な実行および適合モデルを取得できます。
の [ ]：
best_run、fitted_model = local_run.get_output()
参照：
https://notebooks.azure.com/azureml/projects/azureml-getting-started/html/how-to-use-azureml/automated-machine-learning/classification-with-deployment/auto-ml-classification-with-導入.ipynb