以下の手順でExperementを作成してます。

２．データの前処理する。
３．特徴を定義する。
４．学習アルゴリズムを適用する。

---

新しいデータで予測する。

４．学習アルゴリズムを適用する。で分割したデータを用い、学習したモデルにスコアを付け機能を効果確認します。

---

１．スコアモデルを配置します。

Machine Learnig > Score > Score Model をキャンバスにドラッグして、Train Model と Split の出力ポートと接続します。

---

２．実行し、Score Model の結果を確認します。

「Score Model」 をクリックして「Visualize」をクリックします。
  

---

３．評価モデルを配置します。

Machine Learning > Evalute > Evalute Model をキャンバスに配置し、左側の入力ポートとScore Model の出力ポートを接続します。(右側の入力ポートは、比較用。別の学習モデルの結果と比較できるらしい)

---

４．実行し評価を行います。

実行して、Evalute ModelをVlisualizeで可視化します。

Mean Absolute Error
 平均絶対誤差 (MAE) - 絶対誤差の平均 (予測された値と実際の値との差)

Root Mean Squared Error
 平均２乗誤差平方根 (RMSE) - 試験用データセットに対して実行した予測誤差の二乗平均の平方根

Relative Absolute Error
 相対絶対誤差 - 実際の値とすべての実際の値の平均との絶対差を基準にした絶対誤差の平均

Relative Squared Error
 相対二乗誤差 - 実際の値とすべての実際の値の平均との二乗差を基準にした二乗誤差の平均

Coefficient of Detemination
 決定係数 - "R-2 乗値" ともいいます。どの程度モデルが高い精度でデータと適合するかを示す統計指標。

誤差の日本語呼びが怪しい気がします。この辺は、後々勉強しながら確認。
キャプチャの画像と、本家チュートリアルの画像の結果が違っている？

各Errorは小さい方が優秀。決定係数は１に近いほど優秀。

このあと

このあとの作業は、学習結果の精度を上げる作業になります。学習モデル「Linear Regression」のパラメータを調整したり、学習モデル自体を変更したりします。評価モデル「Evalute Model 」には２つの入力ポートがあるので、２つの学習結果を比較できる。

チュートリアル: Azure Machine Learning を使用した予測ソリューションの開発

---

リンク