하이퍼 매개 변수 최적화
기계 학습 모델에는 다양한 데이터 패턴을 일반화하기 위해 다양한 제약 조건, 가중치 또는 학습 속도가 필요합니다. 이러한 측정값을 하이퍼 매개 변수라고 하며 학습 프로세스를 제어하는 데 사용됩니다. 모델이 기계 학습 문제를 최적으로 해결할 수 있도록 하이퍼 매개 변수를 조정해야 합니다.
기본적으로 AutoML은 모델 교육에 사용되는 각 알고리즘에 대해 사전 정의된 하이퍼 매개 변수 값 집합을 사용합니다. 이는 데이터 과학 커뮤니티에서 일반적으로 허용되는 표준적이고 최적화된 값입니다. 하이퍼 매개 변수 값의 최고 성능 조합이 자동으로 선택됩니다.
그러나 경우에 따라 최적의 예측 결과를 위해 모델을 세부 조정해야 할 수 있습니다. 이는 하이퍼 매개 변수 최적화(HPO)를 사용하여 수행할 수 있습니다.
AutoML은 실험 구성에서 선택한 집합의 최상의 알고리즘에 대해서만 하이퍼 매개 변수 최적화를 실행합니다. 먼저 임의 검색을 실행한 다음 그리드 검색을 실행하여 알고리즘에 가장 적합한 하이퍼 매개 변수를 찾습니다.
하이퍼 매개 변수 최적화를 사용하기 전에 고려해야 할 몇 가지 중요한 사항이 있습니다.
-
모델을 처음 교육할 때 하이퍼 매개 변수 최적화를 사용하지 마십시오. 모델을 교육하고 결과에 만족한 후에 사용하도록 설계되었습니다. 그 과정은 종종 반복적인 개선과 재교육을 필요로 합니다.
-
하이퍼 매개 변수 최적화는 상당한 시간을 추가합니다. 모델의 교육 프로세스가 사전 정의된 표준 하이퍼 매개 변수 값을 사용하여 5분이 걸리며, 하이퍼 매개 변수 최적화가 활성화된 동일한 모델을 교육하는 데에는 몇 시간이 걸릴 수 있습니다.
하이퍼 매개 변수 최적화에 사용되는 알고리즘
하이퍼 매개 변수 최적화는 특정 알고리즘 및 모델 유형으로 제한됩니다. 다음 모델 유형 및 알고리즘과 함께 작동하도록 특별히 설계되었습니다.
-
이진 분류 모델
-
Catboost 분류
-
Elastic Net 회귀
-
Lasso 회귀
-
LightGBM 분류
-
로지스틱 회귀
-
임의 포리스트 분류
-
XGBoost 분류
-
-
회귀 모델
-
Catboost 회귀
-
LightGBM 회귀
-
임의 포리스트 회귀
-
XGBoost 회귀
-
하이퍼 매개 변수 최적화 활성화
다음과 같이 하십시오.
실험에서 구성 보기를 클릭합니다.
실험 구성 패널이 열립니다.
필요한 경우 새 버전을 클릭하여 다음 버전을 구성합니다.
패널에서 모델 최적화를 확장합니다.
지능형에서 수동으로 전환합니다.
지능형 모델 최적화에서는 하이퍼 매개 변수 최적화를 사용할 수 없습니다.
하이퍼 매개 변수 최적화 확인란을 클릭합니다.
하이퍼 매개 변수 값 보기
모델을 자세히 분석하는 동안 비교 탭에서 하이퍼 매개 변수 값을 확인합니다. 자세한 내용은 세부 모델 분석 수행을 참조하십시오.