Explanation:

ステップ1: ワークステーションにDockerをインストールする
前提条件には、ローカル システムに機能する Docker インストールが含まれます。
コンピューティング ノードに dockerfile をビルドまたはダウンロードします。
手順 2: AksWebservice デプロイ構成を作成し、そこにモデルをデプロイする Azure Kubernetes Service にモデルをデプロイするには、必要なコンピューティング リソースを記述するデプロイ構成を作成します。
# 開発/テスト用に構成されたクラスタにデプロイする場合は、十分な容量で作成されたことを確認してください。
このデプロイメント構成を処理するには、コアとメモリが必要です。メモリは、
# 依存関係や AML コンポーネントなど。
deployment_config = AksWebservice.deploy_configuration(cpu_cores = 1, memory_gb = 1) service = Model.deploy(ws, "myservice", [model], inference_config, deployment_config, aks_target) service.wait_for_deployment(show_output = True) print(service.state) print(service.get_logs()) ステップ3: サービス用のLocalWebserviceデプロイ構成を作成し、そこにモデルをデプロイします。ローカルにデプロイするには、LocalWebservice.deploy_configuration()を使用してデプロイ構成を作成するようにコードを変更します。次に、Model.deploy()を使用してサービスをデプロイします。
ステップ4: 必要に応じてスコアリングスクリプトをデバッグおよび修正します。修正後は、サービスの reload() メソッドを使用してください。
ローカルテスト中は、ログ記録を追加したり、発見した問題を解決したりするために、score.py ファイルを更新する必要がある場合があります。score.py ファイルの変更を再読み込みするには、reload() を使用します。例えば、次のコードはサービスのスクリプトを再読み込みし、データを送信します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-deploy-azure-kubernetes-service
https://docs.microsoft.com/en-us/azure/machine-learning/ローカル展開のトラブルシューティング方法

C: 重み正規化は、トレーニング データに対するディープラーニング ニューラル ネットワーク モデルの過剰適合を減らし、ホールドアウト テスト セットなどの新しいデータに対するモデルのパフォーマンスを向上させるアプローチを提供します。
Keras は、損失関数に重みのサイズに対するペナルティを追加できる重み正規化 API を提供します。
3 つの異なる正規化インスタンスが提供されます。
L1: 絶対重みの合計。
L2: 重みの二乗の合計。
L1L2: 絶対重みと二乗重みの合計。
A: 全結合層はパラメータの大部分を占めるため、過学習になりやすい傾向があります。過学習を軽減する方法の一つにドロップアウトがあります。各学習段階で、個々のノードは以下のいずれかになります。
確率 1-p でネットから「ドロップアウト」されるか、確率 p で保持されるため、縮小されたネットワークが残ります。ドロップアウトされたノードへの入力エッジと出力エッジも削除されます。
すべてのトレーニング データですべてのノードをトレーニングすることを回避することにより、ドロップアウトは過剰適合を減少させます。
参考文献:
https://machinelearningmastery.com/how-to-reduce-overfitting-in-deep-learning-with-weight- regularization/
https://en.wikipedia.org/wiki/畳み込みニューラルネットワーク

1 - 2 クラス サポート ベクター マシン モジュールを追加して、SVM 分類器を初期化します。
2 - 実験にデータセットを追加する
3 - トレーニング データセットとテスト データセットを作成するために、Split Data モジュールを追加します。
4 - 順列特徴重要度モジュールを追加し、トレーニング済みモデルとテスト データセットに接続します。
5 - パフォーマンスプロパティを測定するためのメトリックを分類 - 精度に設定し、実験を実行します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/two-class-support-vector-machine
https:HYPERLINK "https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/two-class-support-vector-machine"//docs.microsoft.com/en-us/aHYPERLINK "https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/two-class-support-vector-machine"zure/machine-learning/studio-module-reference/two-class-support-vector-machine https://docs.microsoHYPERLINK "https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/permutation-feature-importance"ft.com/en-us/azure/machine-learnHYPERLINK 「https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/permutation-feature-importance」/studio-module-reference/permutation-feature-importance
https:HYPERLINK "https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/two-class-support-vector-machine"//docs.microsoft.com/en-us/aHYPERLINK "https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/two-class-support-vector-machine"zure/machine-learning/studio-module-reference/two-class-support-vector-machine https://docs.microsoHYPERLINK "https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/permutation-feature-importance"ft.com/en-us/azure/machine-learnHYPERLINK 「https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/permutation-feature-importance」/studio-module-reference/permutation-feature-importance
https://docs.microsoHYPERLINK "https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/permutation-feature-importance"ft.com/en-us/azure/machine-learnHYPERLINK "https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/permutation-feature-importance"ing/studio-module-reference/permutation-feature-importance

広告：
primary_metric_name="精度",
primary_metric_goal=プライマリメトリックゴール.MAXIMIZE
実行を最適化して「精度」を最大化します。この値をトレーニングスクリプトに必ず記録してください。
注記：
primary_metric_name: 最適化するプライマリメトリックの名前。プライマリメトリックの名前は、トレーニングスクリプトによって記録されたメトリックの名前と完全に一致する必要があります。
primary_metric_goal: PrimaryMetricGoal.MAXIMIZE または
PrimaryMetricGoal.MINIMIZE は、実行を評価するときにプライマリ メトリックを最大化するか最小化するかを決定します。
F: トレーニング スクリプトは val_accuracy を計算し、それを「accuracy」として記録します。これが主要なメトリックとして使用されます。

スピアマンの順位相関係数は、2 つの変数間の関係を単調関数を使用してどの程度適切に記述できるかを評価します。
注: スピアマンの相関係数とケンドールの相関係数は、どちらもより一般的な相関係数の特殊なケースとして定式化することができ、このシナリオでは両方とも適切です。
シナリオ: 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。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/機能選択モジュール