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、真陰性の数を示す混同行列、およびROC曲線、精度/再現率曲線、リフト曲線を出力します。
ボックス2：特徴量エンジニアリング
特徴量エンジニアリングとは、データのドメイン知識を活用して、機械学習アルゴリズムの学習能力を高める特徴量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用いて特徴量エンジニアリングを促進します。これらの手法と特徴量エンジニアリングを総称して、特徴量化と呼びます。
注：多くの場合、特徴量は特徴量エンジニアリングのプロセスを経て生データから作成されます。例えば、タイムスタンプ自体は、日、月、または休日と営業日といった問題に関連するカテゴリといった単位に変換されるまでは、モデリングには役立たない場合があります。
ボックス3：機能選択
機械学習と統計学において、特徴選択とは、分析モデルの構築に使用する、関連性が高く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、データの範囲を最も価値のある入力に絞り込むのに役立ちます。データの範囲を絞り込むことで、ノイズを減らし、トレーニングのパフォーマンスを向上させることができます。
参照：
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