アルゴリズムのハイパーパラメータを調整しています。次の表は、ハイパーパラメータ、トレーニングエラー、検証エラーが異なるデータセットを示しています。

ドロップダウン メニューを使用して、グラフィックに表示された情報に基づいて各質問に答える選択肢を選択します。

workspace1 という名前の Azure Machine Learning ワークスペースと DSMV1 という名前のデータ サイエンス仮想マシン (DSVM) を管理します。
JupiterノートブックとPython SDK v2コードを使用して、DSMV1で実験を行う必要があります。メトリクスとアーティファクトはワークスペース1に保存する必要があります。まず、必要なすべてのパッケージをインポートするためのPython SCK v2コードを作成します。
メトリックと記事をワークスペース 1 に保存するには、Python SOK v2 コードを実装する必要があります。
どの 3 つのアクションを順番に実行する必要がありますか? 回答するには、アクション リストから適切なアクションを回答領域に移動し、正しい順序に並べます。

トレーニングと検証のエラー値に大きな差があるモデルがあります。
新しいモデルを作成し、相互検証を実行する必要があります。
Azure Machine Learning Studio を使用して、新しいモデルのパラメーター セットを特定する必要があります。
各ステップでどのモジュールを使用すべきでしょうか？ 適切なモジュールを正しいステップにドラッグしてください。各モジュールは1回使用することも、複数回使用することも、まったく使用しないこともできます。コンテンツを表示するには、ペイン間の分割バーをドラッグするか、スクロールする必要がある場合があります。
注意: 正しい選択ごとに 1 ポイントが加算されます。

ある都市の住宅販売データを含むデータセットがあります。データセットには以下の列が含まれています。

データセット内の各行は、個々の住宅販売取引に対応します。
住宅の特徴に基づいて販売価格を予測するための最適なモデルを生成するには、自動化された機械学習を使用する必要があります。
どの値を使用する必要がありますか? 回答するには、回答領域で適切なオプションを選択してください。
注意: 正しい選択ごとに 1 ポイントが加算されます。

Azure Machine Learning を使用して、Bandit 早期終了ポリシーによるハイパーパラメータ調整を実装します。
このポリシーでは、slack_factor を 01、評価間隔を 1、評価遅延を b に設定して使用します。
早期解約ポリシーの結果を評価する必要がある
何を評価すべきでしょうか? 回答するには、回答エリアで適切なオプションを選択してください。
注意: 正しい選択ごとに 1 ポイントが加算されます。