# 지능형 모델 최적화

지능형 모델 최적화는 실험에서 학습시키는 모델의 자동 조정을 제공합니다. 지능형 모델 최적화를 사용하면 기능 선택을 반복하고 고급 변환을 적용하는 프로세스가 자동으로 처리됩니다. 모든 관련 기능이 포함된 잘 준비된 학습 데이터 세트를 사용하면 지능형 모델 최적화를 통해 단일 버전 내에서 즉시 배포 가능한 모델을 학습시킬 수 있습니다.

## 지능형 모델 최적화란 무엇입니까?

지능형 모델 최적화는 모델 조정 프로세스의 많은 측면을 자동화합니다. 지능형 모델 최적화를 사용하면 기능 선택을 수동으로 조정하거나 입력 데이터를 조정하지 않고도 고품질 모델을 빠르게 학습시킬 수.

## 지능형 모델 최적화 사용

지능형 모델 최적화는 다음 유형의 새 ML 실험에서 기본적으로 켜져 있습니다.

* 이진 분류

* 다중 클래스 분류

* 회귀

정보 메모

지능형 모델 최적화는 시계열 실험에 적용할 수 없습니다.

실행하는 실험의 각 버전에 대해 지능형 모델 최적화를 켜거나 끌 수 있습니다.

지능형 최적화가 켜진 상태에서 실험 버전을 실행한 후 최적화 결과를 모델 학습 요약에서 볼 수 있습니다. 이 요약은 모델 탭의 모델 인사이트 아래에 표시됩니다. 밑줄이 그어진 용어 위에 마우스 커서를 올려 자세한 설명이 포함된 도구 설명을 볼 수 있습니다.

모델 학습 요약은 실험 버전에서 학습된 각 모델마다 다릅니다.

## 지능형 모델 최적화 작동 방식

지능형 모델 최적화를 사용하면 다음과 같은 이점이 있습니다.

* 수동 최적화보다 더 많은 모델이 학습됩니다. 기능 선택은 모델 수준에서 처리됩니다. 즉, 수동 최적화와 달리 버전의 각 모델은 서로 다른 기능 선택을 가질 수 있습니다.

* 기본적으로 모든 모델에 적용되는 자동 전처리 외에도 학습 데이터는 여러 고급 변환으로 처리됩니다. 이러한 변환은 데이터가 머신 러닝 알고리즘에 최적의 형식인지 확인하는 데 도움이 됩니다.

* 품질 보증을 위해 기준 모델(버전에 대해 구성한 전체 기능 세트에서 학습된 모델)이 계속 학습됩니다. 이는 지능형 최적화가 실제로 모델 점수를 향상시키고 있는지 확인하는 데 도움이 됩니다.

* 더 큰 학습 데이터 세트의 경우 모델은 다양한 샘플링 비율로 학습됩니다. 이는 학습 프로세스의 속도를 높이는 데 도움이 됩니다. 자세한 내용은 [학습 데이터 샘플링](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/intelligent-model-optimization.htm#Sampling)을(를) 참조하십시오.

### 학습 데이터 샘플링

많은 양의 데이터로 모델을 학습시킬 때 Qlik 프로젝트 는 샘플링을 사용하여 원래 데이터 세트의 다양한 하위 세트(샘플링 비율)에서 모델을 학습시킵니다. 샘플링은 학습 프로세스의 속도를 높이는 데 사용됩니다. 학습 시작 시 모델은 작은 샘플링 비율로 학습됩니다. 학습이 계속됨에 따라 모델은 점차 데이터의 더 큰 부분에서 학습됩니다. 결국 모델은 전체 데이터 세트(샘플링 비율 100%)에서 학습됩니다.

모델 학습 데이터 분석 중에는 학습 데이터 세트의 100% 미만으로 학습된 모델이 일부 보기에서 숨겨집니다.

## 지능형 모델 최적화 중 적용되는 처리

모델 학습 요약은 지능형 모델 최적화에 의해 학습 데이터가 어떻게 처리되었는지 보여 줍니다. 다음 섹션에는 로그에 표시되는 각 항목에 대한 자세한 정보가 포함되어 있습니다.

적용되는 처리는 모델에 따라 다를 수 있습니다.

모델 탭에 표시되는 모델의 모델 학습 요약 차트

모델 탭에 표시되는 모델의 모델 학습 요약 차트

모델모델 탭에 표시되는 모델의 모델 학습 요약모델 학습 요약 차트 ![지능형 최적화로 학습된 모델의 학습 요약 차트입니다. 대상 누출 및 높은 상관 관계 등의 이유로 학습 데이터의 기능이 모델에서 자동으로 제외되었습니다.](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_gen_automl-model-train-summary.png)

### 기능 선택

지능형 모델 최적화는 예측 성능을 저하시킬 수 있는 기능을 삭제하여 모델을 조정하는 데 도움이 됩니다. 지능형 모델 최적화 중에 다음과 같은 이유로 기능이 삭제될 수 있습니다.

* Target leakage: 기능이 대상 누출의 영향을 받는 것으로 의심됩니다. 대상 누출의 영향을 받는 기능에는 예측하려는 대상 열에 대한 정보가 포함되어 있습니다. 예를 들어 기능이 대상에서 직접 파생되었거나 예측 시점에는 알 수 없는 정보가 포함되어 있습니다. 대상 누출을 유발하는 기능은 모델 성능에 대해 잘못된 확신을 줄 수 있습니다. 실제 예측에서 이러한 기능은 모델 성능을 매우 저하시킵니다.

* Low permutation importance: 기능이 모델 예측에 거의 또는 전혀 영향을 미치지 않습니다. 이러한 기능을 제거하면 통계적 노이즈가 줄어들어 모델 성능이 향상됩니다.

* Highly correlated: 기능이 실험의 하나 이상의 다른 기능과 높은 상관 관계를 가집니다. 상관 관계가 너무 높은 기능은 모델 학습에 사용하기에 적합하지 않습니다.

실험 내의 데이터 탭에서 각 모델에 대해 삭제된 기능에 대한 인사이트를 볼 수 있습니다. 인사이트는 지능형 모델 최적화 프로세스 외부에서 삭제된 기능도 나타냅니다. 각 인사이트에 대한 자세한 내용은 [데이터 집합 통찰력 해석](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/dataset-insights.htm#Explanations)을(를) 참조하십시오.

### 기능 변환

지능형 모델 최적화는 기능 수준에서 여러 기술적 변환을 적용합니다. 이러한 변환은 신뢰할 수 있는 머신 러닝 모델을 만드는 데 더 효과적으로 사용할 수 있도록 학습 데이터를 처리합니다. 기능 변환은 필요에 따라 자동으로 적용됩니다. 모델 학습 요약에서 기능 변환이 적용되는 시기와 영향을 받는 기능에 대한 알림을 받습니다.

#### 거듭제곱 변환 (Power transform)

기능 데이터는 종종 자연스럽게 어느 정도의 비대칭성과 정규 분포로부터의 편차를 가진 분포를 포함합니다. 모델을 학습시키기 전에 값 분포가 너무 왜곡되어 보이는 경우 데이터를 정규화하기 위해 일부 처리를 적용하는 것이 도움이 될 수 있습니다. 이 처리는 편향을 줄이고 이상값을 식별하는 데 도움이 됩니다.

지능형 모델 최적화를 사용하면 특정 왜도 임계값을 초과하는 수치 기능이 거듭제곱 변환을 사용하여 더 정규(또는 정규에 가까운) 분포를 갖도록 변환됩니다. 구체적으로 Yeo-Johnson 거듭제곱 변환이 사용됩니다.

#### 수치 기능 분류

특정 수치 기능에는 머신 러닝 알고리즘으로 쉽게 처리할 수 없는 패턴과 분포가 포함될 수 있습니다. 지능형 모델 최적화에서는 특정 수치 기능의 데이터를 값 범위에 따라 서로 다른 빈으로 구성하여 이 문제를 부분적으로 해결합니다. 기능이 범주형 기능으로 변환될 수 있도록 분류가 수행됩니다.

분류가 완료되면 새 범주형 기능이 one-hot encoded되어 학습에 사용됩니다. one-hot encoding에 대한 자세한 내용은 [범주 인코딩](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm)을(를) 참조하십시오.

### 행 수준 가중치 부여 및 샘플링

#### 이상값 감지 및 처리

이상값은 합리적으로 예상되는 범위를 벗어나는 데이터 값입니다. 학습 데이터에 일부 이상값이 있는 것은 드문 일이 아닙니다. 일부 이상값은 실제 가능성을 반영하는 방법으로 필요할 수도 있습니다. 다른 경우에는 이상값이 신뢰할 수 있는 모델을 학습시키는 능력을 방해할 수 있습니다.

지능형 모델 최적화를 통해 Qlik 프로젝트 는 잠재적인 이상값을 식별합니다. 그런 다음 이상값이 나타나는 행은 알고리즘 기반 가중치 시스템으로 처리됩니다. 값이 이상값으로 강력히 의심되는 경우 가중치 시스템은 학습 데이터의 해당 행이 모델에 미치는 영향을 줄입니다.

모델이 학습된 후 원래 학습 데이터 세트에서 이상 데이터로 처리된 행의 백분율을 알림으로 받습니다.

자세한 내용은 [이상 탐지 및 처리](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/anomaly-detection.htm)을(를) 참조하십시오.

#### 클래스 균형 조정

학습 데이터 세트에서 특정 값(클래스)이 다른 값보다 더 많이 발생할 수 있습니다. 이 현상을 클래스 불균형이라고 합니다. 데이터에 클래스 불균형이 있는 경우 결과 모델은 소수 클래스보다 다수 클래스에 대해 더 많이 학습하여 예측 정확도에 영향을 미칩니다.

지능형 모델 최적화를 통해 Qlik 프로젝트는 이진 분류 모델에 대해 자동 클래스 균형 조정을 수행합니다. 클래스 불균형은 대상 열에 있는 두 클래스의 값 분포를 비교하여 감지됩니다. 구체적으로 두 클래스 간의 비율이 다음과 같을 때 수행됩니다.

* 행의 95%(이상)에 하나의 클래스가 포함됨

* 행의 5%(이하)에 다른 클래스가 포함됨

클래스 균형 조정 중에 클래스 분포를 개선하기 위해 학습 데이터가 오버샘플링됩니다. 이 프로세스는 반복적이며, 모델 성능을 위한 최적의 균형을 찾기 위해 여러 가지 다양한 출력 비율을 테스트합니다.

오버샘플링 후 오버샘플링된 데이터 세트는 실험 버전에서 모델을 학습시키는 데 사용됩니다.

클래스 균형 조정에 대한 일반적인 내용은 [클래스 균형 조정](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/class-balancing.htm)을(를) 참조하십시오.

## 지능형 최적화 끄기

지능형 최적화를 끄면 학습을 수동으로 최적화하게 됩니다. 학습 프로세스를 더 세밀하게 제어해야 하는 경우 수동 최적화가 도움이 될 수 있습니다. 특히 지능형 모델 최적화로 버전을 실행한 다음 소수의 수동 조정을 수행해야 하는 경우 설정을 끌 수 있습니다.

정보 메모수동 최적화는 시계열 실험에서 사용할 수 없습니다.

다음과 같이 하십시오.

1. 실험에서 the 구성 보기 icon 를 클릭합니다.

   실험 구성 패널이 열립니다.

2. 이미 실험 버전을 하나 이상 실행한 경우 새 버전 만들기를 클릭합니다.

3. 패널에서 모델 최적화를 확장합니다.

4. 지능형에서 수동으로 전환합니다.

## 고려 사항

지능형 모델 최적화로 작업할 때는 다음 사항을 고려하십시오.

* 지능형 모델 최적화를 사용한다고 해서 학습을 통해 고품질 모델이 생성된다는 보장은 없습니다. 데이터 세트 준비 및 실험 구성 단계도 필수적입니다. 잘 준비된 데이터 세트가 없거나 구성에 주요 기능이 누락된 경우 프로덕션 사용 사례에서 모델이 제대로 작동한다고 보장할 수 없습니다. 이러한 단계에 대한 자세한 내용은 다음을 참조하십시오.

  * [학습을 위한 데이터 세트 준비](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/dataset-preparation.htm)

  * [실험 구성](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm)

* 버전에 대해 지능형 모델 최적화가 켜져 있으면 이 버전의 각 모델에는 포함된 기능의 별도 세트가 있습니다. 반면, 수동 최적화로 학습된 버전의 모든 모델에는 포함된 기능의 동일한 세트가 있습니다.

* 지능형 모델 최적화는 버전에 대한 구성에 포함한 기능 및 알고리즘만 사용합니다.

## 하이퍼파라미터 최적화

지능형 모델 최적화가 켜져 있으면 하이퍼파라미터 최적화를 사용할 수 없습니다. 하이퍼파라미터 최적화를 활성화하려면 모델 최적화를 수동으로 설정해야 합니다.

자세한 내용은 [하이퍼파라미터 최적화](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/hyperparameter-optimization.htm)을(를) 참조하십시오.

## 예

지능형 모델 최적화의 이점을 보여 주는 예는 [자습서 – 예측 데이터 생성 및 시각화](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/tutorial-machine-learning.htm)를 참조하십시오.