説明
代わりに、Permutation Feature Importance Explainer (PFI) を使用します。
注1:

注 2: 順列特徴重要度説明 (PFI): 順列特徴重要度は、分類モデルと回帰モデルを説明するために使用される手法です。大まかに言うと、データセット全体のデータを 1 つの特徴ごとにランダムにシャッフルし、対象のパフォーマンス メトリックの変化量を計算し、変化が大きいほど、その特徴の重要性が増します。PFI は、基礎となるモデルの全体的な動作を説明できますが、個々の予測は説明できません。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-machine-learning-interpretability

1 - Azure のインスタンスを作成します...
2 - Spark プールの構成を定義します。
3 - Synapase Spark プールを... に接続します。

説明
ポアソン回帰は、数値 (通常はカウント) を予測するために使用される回帰モデルで使用することを目的としています。したがって、予測しようとしている値が次の条件に適合する場合にのみ、このモジュールを使用して回帰モデルを作成する必要があります。
* 応答変数はポアソン分布に従います。
* カウントは負の値にできません。負のラベルでこのメソッドを使用しようとすると、メソッドは完全に失敗します。
* ポアソン分布は離散分布であるため、この方法を整数以外の数に使用するのは意味がありません。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/poisson-regression
トピック2、ケーススタディ1
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、次のビジネス目標を満たすグローバルおよびローカル市場データになります。
*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。
*広告に対するユーザーの反応傾向にアクセスします。
*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。
*ペナルティイベントを検出するにはビデオを使用します。
現在の環境
要件
* ペナルティ イベントの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、スポーツ イベント中にキャプチャされ、ソーシャル メディアを使用して収集された画像やビデオが含まれる場合があります。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。スポーツ イベント メディアには、録画されたビデオ、ラジオ解説のトランスクリプト、スポーツ イベント中にキャプチャされた関連ソーシャル 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の形式で提出した音声録音が含​​まれます。
広告
* 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する必要があります。
* 市場セグメンテーション セグメントは、類似の広告レスポンス履歴に合わせて最適化する必要があります。
* サンプリングでは、同じ機能を共有するローカルおよびグローバルのセグメンテーション モデルの相互および集合的な排他性を保証する必要があります。
* ユーザーの広告へ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。
* データ サイエンティストは、モデルの劣化と劣化を検出できる必要があります。
* 広告応答モデルは非線形境界機能をサポートする必要があります。
* 広告傾向モデルでは、カットしきい値として 0.45 が使用され、加重カッパが 0.1+/-5% から逸脱すると再トレーニングが行われます。
* 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。

ペナルティ検出と感情
調査結果
*データ サイエンティストは、ペナルティ イベントの検出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。
*データ サイエンティストは、機械学習パイプラインで自動機能エンジニアリングとモデル構築を使用して、ローカル環境でノートブックを構築する必要があります。
*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。
* データのソースのみを再コーディングするには、ノートブックを新しい Spark インスタンスで同じコードで実行する必要があります。
*グローバルペナルティ検出モデルは、トレーニング中に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ります。
*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、集計実行平均と標準偏差メトリックが利用可能である必要があります。
セグメント
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。
*広告の反応率が低下しました。
*広告スタイルによってドロップは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は一貫していません。
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、線形に補正されていない 10 個の特徴を設計することです。
ペナルティ検出と感情
*初期データ検出では、群衆感情モデル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の範囲が広く示されています。
*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が過度に実行されていることを示しています。
*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%異なります。
*グローバル ペナルティ検出モデルのパフォーマンスは、トレーニング セットと検証セットを比較すると、分散は低くなりますが、バイアスは高くなります。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。