説明

ボックス1：モデル評価
モデル評価モジュールは、真陽性、偽陰性、偽陽性、真陰性の数、およびROC、適合率/再現率、リフト曲線を示す混同行列を出力します。
ボックス2：特徴工学
特徴エンジニアリングは、データのドメイン知識を使用して、MLアルゴリズムの学習に役立つ機能を作成するプロセスです。Azure Machine Learningでは、スケーリングと正規化の手法を適用して、機能エンジニアリングを容易にします。総称して、これらの手法と特徴工学は特徴化と呼ばれます。
注：多くの場合、特徴は、特徴エンジニアリングのプロセスを通じて生データから作成されます。たとえば、タイムスタンプ自体は、情報が日、月、または休日と就業日などの問題に関連するカテゴリの単位に変換されるまで、モデリングに役立たない場合があります。
ボックス3：特徴選択
機械学習と統計では、特徴選択は、分析モデルの構築に使用する関連する有用な特徴のサブセットを選択するプロセスです。特徴選択は、データのフィールドを最も価値のある入力に絞り込むのに役立ちます。データのフィールドを狭めることは、ノイズを減らし、トレーニングパフォーマンスを向上させるのに役立ちます。
リファレンス：
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance
https://docs.microsoft.com/en-us/azure/machine-learning/concept-automated-ml