모델 구체화

자동화된 기계 학습 작업에서 중요한 부분은 모델을 개선하여 점수를 높이는 것입니다. 기능을 제외하거나 포함하고 다른 구성 매개 변수를 변경하면 다른 모델 버전을 비교하여 변경 내용이 어떤 영향을 미치는지 확인할 수 있습니다.

점수를 해석하여 모델을 구체화하는 방법을 배우게 됩니다. 다양한 지표의 값을 통해 결과를 개선하기 위해 수행해야 할 작업에 대한 통찰력을 얻을 수 있습니다.

데이터 집합 개선

모델의 점수가 좋지 않은 경우 데이터 집합을 검토하여 문제를 해결할 수 있습니다. 교육을 위해 데이터 집합 준비하기에서 데이터 집합을 개선하는 방법에 대해 자세히 읽어보십시오.

기능 제외

기능이 많다고 해서 반드시 우수한 모델을 만드는 것은 아닙니다. 모델을 구체화하기 위해 다음과 같이 신뢰할 수 없고 관련이 없는 기능을 제외하려고 합니다.

• 상관 관계가 너무 높은 기능. 상관 관계가 있는 두 기능에서 기능 중요도가 낮은 기능을 제외합니다.

• 기능 중요도가 너무 낮은 기능. 이러한 기능은 알아보려는 내용에 영향을 주지 않습니다.

• 기능 중요도가 너무 높은 기능. 데이터 유출 때문일 수 있습니다.

교육 데이터에서 기능을 제거하기 위해 테스트한 다음 교육을 다시 실행하고 이것이 모델을 개선하는지 확인합니다. 모델 점수에 큰 차이가 있습니까, 아니면 전혀 없습니까?

다음과 같이 하십시오.

1. 카탈로그에서 실험을 엽니다.

2. 구체화할 모델을 선택합니다.

3. 오른쪽 아래에서 v2 구성을 클릭하여 실험 구성 창을 엽니다.

   (버튼의 텍스트는 실행한 버전 수에 따라 다릅니다.)

4. 기능 아래에서 교육에 사용하지 않으려는 기능의 확인란을 선택 해제합니다.

기능 추가

모델의 점수가 여전히 좋지 않은 경우 대상과 관계가 있는 기능이 아직 데이터 집합에 캡처되지 않았기 때문일 수 있습니다. 새 기능 열 만들기에서 새 기능을 캡처하거나 엔지니어링하는 방법에 대해 자세히 알아봅니다.

알고리즘 선택

대상 열의 데이터 유형에 따라 교육에 적합한 알고리즘이 자동으로 선택됩니다. 잘 수행되지 않거나 더 느린 알고리즘을 제외할 수 있습니다. 이렇게 하면 교육을 위해 시간을 낭비할 필요가 없습니다.

알고리즘 선택 방법에 대한 자세한 내용은 알고리즘을 참조하십시오.

다음과 같이 하십시오.

1. 카탈로그에서 실험을 엽니다.

2. 구체화할 모델을 선택합니다.

3. 오른쪽 아래에서 v2 구성을 클릭하여 실험 구성 창을 엽니다.

   (버튼의 텍스트는 실행한 버전 수에 따라 다릅니다.)

4. 알고리즘 아래에서 교육에 사용하지 않으려는 알고리즘의 확인란을 선택 해제합니다.

실험 버전 비교

변경한 후에는 교육을 다시 실행하고 새 버전을 이전 버전과 비교하여 변경 내용의 효과를 확인합니다.

다음과 같이 하십시오.

1. 다른 실험 버전을 교육하려면 화면 오른쪽 아래의 v2 실행을 클릭합니다.

   (버튼의 텍스트는 실행한 버전 수에 따라 다릅니다.)

2. 메트릭 테이블에서 모델을 정렬하거나 알고리즘 필터를 사용하여 비교하려는 모델을 찾을 수 있습니다.

실험 버전 삭제

유지하지 않으려는 실험 버전을 삭제할 수 있습니다. 실험 버전의 모든 모델도 삭제되며 복구할 수 없습니다.

다음과 같이 하십시오.

1. 모델 메트릭 표에서 삭제할 실험 버전의 모델을 선택합니다.

2. 오른쪽 아래에서 버전 1 삭제를 클릭합니다.

3. 확인 대화 상자에서 삭제를 클릭합니다.