2つのステップがあります: process_step と train_step
トレーニング データ入力が正しく設定されていません。
注記：
パイプラインで使用されるデータは、PipelineData オブジェクトを 1 つのステップの出力として、また 1 つ以上の後続ステップの入力として提供することにより、1 つのステップで生成し、別のステップで使用することができます。
PipelineData オブジェクトは、パイプラインを構築する際にステップ間の依存関係を記述するために使用されます。あるステップが別のステップの出力を入力として必要とすることを指定するには、両方のステップのコンストラクターで PipelineData オブジェクトを使用します。
たとえば、パイプラインのトレーニング ステップは、パイプラインのプロセス ステップの process_step_output 出力に依存します。
azureml.pipeline.core から Pipeline、PipelineData をインポートします。
azureml.pipeline.steps から PythonScriptStep をインポートします
データストア = ws.get_default_datastore()
process_step_output = PipelineData("processed_data", datastore=datastore) process_step = PythonScriptStep(script_name="process.py", argument=["--data_for_train", process_step_output], outputs=[process_step_output], compute_target=aml_compute, source_directory=process_directory) train_step = PythonScriptStep(script_name="train.py", argument=["--data_for_train", process_step_output], inputs=[process_step_output], compute_target=aml_compute, source_directory=train_directory) pipeline = Pipeline(workspace=ws, steps=[process_step, train_step]) 参照:
https://docs.microsoft.com/en-us/python/api/azureml-pipeline-core/azureml.pipeline.core.pipelinedata?
ビュー=azure-ml-py

Explanation:

ボックス1: ブースト決定木回帰
平均絶対誤差 (MAE) は、予測が実際の結果にどれだけ近いかを測定します。したがって、スコアが低いほど良いとされます。
ボックス2:
オンライン勾配降下法：アルゴリズムに最適なパラメータを自動的に見つけてもらいたい場合は、「トレーナーモードの作成」オプションを「パラメータ範囲」に設定してください。これにより、アルゴリズムが試行する複数の値を指定できます。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/線形回帰

実行は、実験の単一のトライアルを表します。実行は、トライアルの非同期実行を監視し、メトリクスをログに記録してトライアルの出力を保存し、結果を分析してトライアルによって生成されたアーティファクトにアクセスするために使用されます。
実行クラスの get_all_logs メソッドは、実行のすべてのログをディレクトリにダウンロードします。
参照：
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.run(クラス)

scikit-learn estimator は、コンピューティングターゲット上で scikit-learn のトレーニングジョブを簡単に起動する方法を提供します。これは SKLearn クラスを通じて実装されており、単一ノード CPU トレーニングをサポートするために使用できます。
例：
azureml.train.sklearn から SKLearn をインポートします
}
推定器 = SKLearn(ソースディレクトリ=プロジェクトフォルダ,
compute_target=コンピューティングターゲット、
エントリスクリプト='train_iris.py'
）
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/scikit-learn のトレーニング方法

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。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/edit-metadata