シナリオ：
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。

広告傾向モデルはカット閾値0.45を使用し、加重カッパが0.1から逸脱すると再トレーニングが発生します。
+/- 5%。
モデルを開発する
テストレット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制限がありません。各ケースには、必要なだけ試験時間を使用できます。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含まれる場合があります。試験に含まれるすべての問題を制限時間内に解答できるよう、時間を管理してください。
ケーススタディに含まれる質問に回答するには、ケーススタディに記載されてい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図表やその他のリソースが含まれている場合があります。各質問は、ケーススタディ内の他の質問とは独立しています。
このケーススタディの最後に、確認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、修正することができます。新しいセクションを開始すると、このセクションに戻ることはできません。
ケーススタディを始めるには
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ってケーススタディの内容を確認してください。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一であることに注意してください。質問に回答する準備ができたら、「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、米国の高品質な個人および商業用不動産を専門とする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、主要ヨーロッパ都市の個人住宅の価格調査を依頼されました。
Azure Machine Learning Studio を使用して、不動産の中央値を測定します。線形回帰モジュールとベイズ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つの都市の物件詳細を含むCSV形式のデータセットが2つあります。両方のファイルを別々のデータセットとしてAzure Machine Learning Studioに追加し、実験の開始点とします。どちらのデータセットにも以下の列が含まれています。

最初の調査では、データセットは MedianValue 列を除いて構造が同一であることが示されました。
小さい方のパリのデータセットにはテキスト形式の MedianValue が含まれていますが、大きい方のロンドンのデータセットには数値形式の MedianValue が含まれています。
データの問題
欠損値
両データセットのAccessibilityToHighway列には欠損値が含まれています。欠損値を補う前に、データ内の他の変数を用いて条件付きでモデル化できるよう、欠損データを新しいデータに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。また、データセットには多くの外れ値が含まれています。Age列には外れ値の割合が高いため、Age列に外れ値がある行を削除する必要があります。
MedianValue列とAvgRoomsInHouse列はどちらも数値形式のデータを保持しています。2つの列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
モデルは過剰適合の兆候を示しています。過剰適合を軽減する、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
線形回帰モジュールとベイズ線形回帰モジュールを相互検証し、パフォーマンスを評価するための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変数は「MedianValue」列です。パリのデータセットの「MedianValue」列のデータ型が、ロンドンのデータセットの構造と一致していることを確認する必要があります。
結果を予測するためには、データ列に優先順位を付ける必要があります。関係性を測定するには、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
順列特徴の重要度
学習済みモデルとテストデータセットが与えられた場合、特徴変数の順列特徴量重要度スコアを計算し、モデルの絶対的な適合度を決定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、モデル学習プロセスにおいてハイパーパラメータを設定する必要があります。さらに、この設定により、各評価間隔においてパフォーマンスが最も低い実行がキャンセルされ、より成功する可能性の高いモデルに労力とリソースを集中させることができます。
モデルがハイパーパラメータチューニングにおいて計算リソースを効率的に使用していないのではないかと懸念しています。また、モデルが全体的なチューニング時間の増加を抑制してしまう可能性も懸念しています。そのため、有望なジョブを終了させることなくコスト削減を実現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。
クロスバリデーション
クロスバリデーションのために、3つの均等な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、各都市の主要河川に近い物件ごとに均等に分割されるように、クロスバリデーションプロセスを設定する必要があります。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。
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際には、モデルで使用する最適な特徴量を決定する必要があります。特徴量重要度プロセスの完了前と完了後のパフォーマンスを測定するために用意されている標準指標を選択できます。複数のトレーニングモデル間での特徴量の分布は一貫している必要があります。
データの視覚化
Fabrikam Residencesチームにテスト結果を提供する必要があります。結果の提示を容易にするために、データビジュアライゼーションを作成します。
モデルの診断テスト評価を行うには、受信者動作特性（ROC）曲線を作成する必要があります。Azure Learning StudioでROC曲線を作成するための適切な方法を選択し、2クラス決定フォレストと2クラス決定ジャングルのモジュールを比較する必要があります。
モデルを開発する
質問セット3

Explanation:
散布図を作成する
データを要約する
クリップ値
Azure Machine Learning Studio の Clip Values モジュールを使用すると、指定したしきい値を超えるまたは下回るデータ値を識別し、必要に応じて置き換えることができます。これは、外れ値を削除したり、平均値、定数、その他の代替値に置き換えたりする場合に役立ちます。
参考文献:
https://blogs.msdn.microsoft.com/azuredev/2017/05/27/azure-machine-learning のデータクレンジングツール/
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clip-values

代わりにauth_enabled = TRUEのみを使用してください
注: キーベースの認証。
AKS にデプロイされた Web サービスでは、キーベースの認証がデフォルトで有効になっています。ACI にデプロイされたサービスでは、キーベースの認証はデフォルトで無効になっていますが、ACI Web サービスの作成時に auth_enabled = TRUE を設定することで有効にできます。以下は、キーベースの認証を有効にした ACI デプロイ構成の作成例です。
デプロイメント構成 <- aci_webservice_deployment_config(cpu_cores = 1,
メモリ_GB = 1、
auth_enabled = TRUE)
参照：
https://azure.github.io/azureml-sdk-for-r/articles/deploying-models.html