# 시간 인식 모델 만들기

시간 인식 교육을 사용하면 교육 데이터에 있는 시간 기반 열을 따라 데이터를 예측하는 모델을 구축할 수 있습니다. 이 시간 기반 열의 영향을 가져오는 것으로 알려진 대상에 대한 예측을 해야 하는 경우 시간 인식 교육을 활성화합니다.

시간 인식 교육은 교육 데이터에 특수한 데이터 처리를 적용하여 데이터 유출을 줄이는 데 도움이 됩니다. 이러한 처리를 통해 기계 학습 알고리즘은 특정 날짜 또는 시간 차원에 따라 데이터와 예측 컨텍스트를 보다 정확하게 해석할 수 있습니다.

시간 인식 모델을 교육하려면 날짜 또는 타임스탬프 데이터가 포함된 교육 데이터 집합에 열이 필요합니다. 이 열은 교육 전에 데이터 집합을 정렬하는 데 사용되는 날짜 인덱스입니다. 날짜 인덱스에 대한 자세한 내용은 [날짜 인덱스 요구 사항](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-aware-models.htm#Index)을 참조하십시오.

## 시간 인식 교육을 언제 사용해야 합니까?

시간 인식 모델 교육은 교육에 이미 존재하는 시간 메트릭에 따른 변경 내용을 예측하는 모델에 이상적입니다. 예:

* 다음 달 판매를 예측하려고 하며 데이터 집합에 트랜잭션 날짜 열이 있습니다.

* 배송이 늦어지는 것과 관련된 메트릭을 예측하고 데이터 집합에 배송 날짜 열이 있는 경우

## 시간 인식 교육은 어떻게 작동합니까?

기계 학습의 일반 문제는 모델이 학습 시점에 사용할 수 있는 정보에 대해서만 학습되도록 하는 방법을 찾는 것입니다. 교육 데이터에 중요한 날짜 및 시간 정보가 포함되어 있는 경우 이 정보를 사용하여 데이터 유출을 방지할 수 있습니다.

### 날짜 인덱스 요구 사항

시간 인식 교육을 활성화하려면 모델 교육에 필요한 날짜 및 시간 정보가 포함된 열이 데이터 집합에 있어야 합니다. 교육을 위한 모델 최적화를 구성할 때 열을 선택합니다.

교육에서 열을 날짜 인덱스로 사용하려면 열에 다음 사항이 모두 있어야 합니다.

* 전체 날짜. 예를 들어, 월이나 일 값으로 구성된 열은 사용할 수 없습니다.

* 날짜 또는 타임스탬프 데이터 유형.

* 날짜 기능 유형.

### 홀드아웃 및 교차 유효성 검사

홀드아웃 및 교차 유효성 검사 과정에서 데이터를 분리하는 방법을 선택할 때, 임의 선택 방법을 통해 미래의 데이터를 모델 교육에 도입할 수 있습니다. 시간 인식 교육을 활성화하면 Qlik Predict은 다음 프로세스를 사용합니다.

* 교육 데이터 집합은 교육 데이터와 홀드아웃 데이터로 분리되기 전에 선택한 인덱스 열에 따라 정렬됩니다.

* 각 교육 반복에서는 고정된 테스트 크기와 점차 커지는 교육 크기를 사용합니다. 반복이 이루어질 때마다 데이터는 점점 더 최신이 됩니다.

자세한 내용은 [시간 기반 교차 유효성 검사](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm#TimeAware) 항목을 참조하십시오.

### 기타 처리

시간 인식 모델 교육은 기본 교육 프로세스와 다른 여러 프로세스도 사용합니다. 예를 들어, 시간 인식 교육은 null 대체에 수정된 프로세스를 사용합니다. 자세한 내용은 [null의 대체](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/null-imputation.htm)을 참조하십시오.

## 시간 인식 교육 켜기

시간 인식 모델 교육은 실험에서 실행하는 각 버전에 대해 켜거나 끌 수 있으며 재구성할 수 있습니다.

다음과 같이 하십시오.

1. 실험에서 the 구성 보기 icon 를 클릭합니다.

2. 이미 하나 이상의 실험 버전을 실행한 경우 새 버전을 클릭합니다.

3. 패널에서 모델 최적화를 확장합니다.

4. 시간 기반 테스트 교육 분할에서 데이터 정렬에 사용할 날짜 인덱스를 선택합니다.

모델 구체화 중에 시간 인식 교육을 변경할 수 있습니다. 예를 들어, 설정을 해제하거나 날짜 인덱스로 새 열을 선택할 수 있습니다. 자세한 내용은 [모델 정제](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/refining-models.htm)을 참조하십시오.

## 제한 사항 및 고려 사항

사용 사례에 따라 시간 인식 모델 교육이 우수한 모델을 구축하는 데 도움이 될 수 있습니다. 다른 경우에는 시계열 모델이나 분류 및 회귀 모델의 기본 교육 프로세스를 사용하면 우수한 결과를 얻을 수 있습니다. 시간 인식 교육은 시계열 모델을 교육하려고 하지 않지만 결과 모델에 시간 기반 초점을 포함해야 할 때 유용합니다. 예를 들어, 입력 데이터가 [그룹화](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#Groups)를 허용하지 않는 경우 시간 인식 교육은 시계열 모델 교육에 대한 적절한 대안이 될 수 있습니다.

시간 인식 교육은 시계열 문제에 대한 지연 기능을 생성하기 위해 자동화된 기능 엔지니어링을 수행하지 않습니다.

시간 인식 교육은 시계열 실험에 사용할 수 없습니다.