説明/参照:
Explanation:
一般的なメタデータの変更には、列を機能としてマークすることが含まれます。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/edit-metadata テストレット 1 ケース スタディ 概要 あなたは、プロ スポーツ イベントにデータ サイエンスを提供する会社のデータ サイエンティストです。モデルは、グローバルおよびローカルの市場データを使用して、次のビジネス目標を達成します。
観客の反応の音声に基づいて、スポーツイベントでのモバイルデバイス ユーザーの感情を理解します。

ユーザーが広告に反応する傾向を評価します。

モバイル デバイスに表示される広告のスタイルをカスタマイズします。

ビデオを使用してペナルティイベントを検出する

現在の環境
ペナルティイベント検出に使用されるメディアは、消費者向けデバイスによって提供されます。メディアには以下が含まれます。

スポーツイベント中に撮影され、ソーシャルメディアを使用して共有された画像とビデオ。画像とビデオのサイズと形式はさまざまです。
モデル構築に利用できるデータは、7年間のスポーツイベントメディアから構成されています。

イベント メディアには、録画されたビデオのトランスクリプトやラジオ解説、スポーツ イベント中にキャプチャされた関連するソーシャル メディア フィードのログが含まれます。
観客の感情には、イベント参加者がモノラルとステレオの両方で提出した音声録音が含​​まれます。

フォーマット。
ペナルティ検出と感情
データサイエンティストは、ペナルティのために複数の機械学習モデルを使用してインテリジェントなソリューションを構築する必要があります。

イベント検出。
データサイエンティストは、自動特徴エンジニアリングと

機械学習パイプラインにおけるモデル構築。
動的ワーカー割り当てを備えた Spark インスタンスを使用して再トレーニングするには、ノートブックをデプロイする必要があります。

ノートブックは、新しいSparkインスタンスで同じコードを実行して、ソースコードのみを再コーディングする必要があります。

データ。
グローバルペナルティ検出モデルは、動的ランタイムグラフ計算を使用してトレーニングする必要がある。

トレーニング。
ローカルペナルティ検出モデルは、BrainScript を使用して記述する必要があります。

ローカル群衆感情モデルの実験では、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。

群衆感情モデルは、歓声や既知のキャッチフレーズなどの既知の音を識別する必要があります。

個々の群衆感情モデルは類似した音を検出します。
ローカル モデルのすべての共有機能は連続変数です。

共有フィーチャは倍精度を使用する必要があります。後続のレイヤーには集計移動平均が必要です。

標準偏差メトリックも利用可能です。
広告
生産開始から数週間の間に、次のようなことが観察されました。
広告レスポンスの評価は拒否されました。

ドロップは広告スタイル間で一貫していませんでした。

トレーニングデータと本番データ間の特徴の分布が一貫していない

分析により、ユーザーの位置情報と行動に関する 100 個の数値特徴のうち、位置情報ソースから取得した 47 個の特徴が生の特徴として使用されていることがわかりました。バイアスと分散の問題を解決するための推奨される実験は、線形に相関しない 10 個の特徴を設計することです。
初期データ検出では、クラウドコンピューティングに使用されるトレーニングデータ内のターゲット状態の密度が広範囲に及ぶことが示されています。

感情モデル。
すべてのペナルティ検出モデルは、確率的勾配降下法（SGD）を使用した推論フェーズを示しています。

実行が遅すぎる。
音声サンプルによると、キャッチフレーズの長さは地域によって25%～47%異なる。

グローバルペナルティ検出モデルのパフォーマンスは、以下の場合に分散は低くなりますが、バイアスは高くなります。

トレーニング セットと検証セットの比較。機能の変更を実装する前に、すべてのトレーニング ケースと検証ケースを使用してバイアスと分散を確認する必要があります。
広告応答モデルは各イベントの開始時にトレーニングされ、スポーツイベント中に適用されなければならない。

イベント。
市場セグメンテーション モデルは、類似した広告応答履歴に合わせて最適化する必要があります。

サンプリングは、ローカルセグメンテーションとグローバルセグメンテーションの間の相互的かつ集合的な排他性を保証する必要がある。

同じ機能を共有するモデル。
ユーザーの反応傾向を判断する前に、ローカル市場セグメンテーションモデルが適用されます。

広告。
広告応答モデルは、機能の非線形境界をサポートする必要があります。

広告傾向モデルはカットしきい値0.45を使用し、加重カッパが逸脱した場合に再トレーニングが発生します。

0.1 +/- 5% から。
広告傾向モデルでは、次の図に示すコスト要因が使用されます。


広告傾向モデルでは、次の図に示す提案されたコスト要因が使用されます。


現在のコスト要因シナリオと提案されたコスト要因シナリオのパフォーマンス曲線を次の図に示します。

説明/参照:
Explanation:
連鎖方程式による多重代入 (MICE) 法を使用します。
参考文献:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3074241/
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data