이 문서에서는 Azure Machine Learning 디자이너의 구성 요소에 대해 설명합니다.
이 구성 요소를 사용하여 AutoML 예측을 기반으로 하는 기계 학습 모델을 만듭니다.
구성 방법
이 구성 요소는 예측 모델을 만듭니다. 예측은 감독 학습 방법이기 때문에 모든 행에 대한 값이 있는 레이블 열을 포함하는 레이블이 지정된 데이터 세트 가 필요합니다. 데이터 세트를 준비하는 방법에 대한 자세한 내용을 보려면 이 링크를 따르세요. 데이터 세트에는 모든 행에 대한 값이 있는 레이블 열이 포함된 레이블이 지정된 데이터 세트가 필요합니다.
이 모델에는 학습 데이터 세트가 필요합니다. 유효성 검사 및 테스트 데이터 세트는 선택 사항입니다.
AutoML은 모델에 대해 다양한 알고리즘과 매개 변수를 시도하는 여러 파이프라인을 병렬로 만듭니다. 이 서비스는 기능 선택 항목과 쌍을 이루는 ML 알고리즘을 반복하며, 각 반복에서 학습 점수가 있는 모델이 생성됩니다. 모델을 최적화할 메트릭을 선택할 수 있습니다. 선택한 메트릭에 대한 점수가 더 좋을수록 모델이 데이터에 "적합"한 것으로 간주됩니다. 실험의 종료 조건을 정의할 수 있습니다. 종료 조건은 AutoML에서 찾을 특정 학습 점수를 가진 모델입니다. 정의된 종료 조건에 도달하면 중지됩니다. 이 구성 요소는 데이터 세트에 대한 실행이 끝날 때 생성된 최상의 모델을 출력합니다.
AutoML 예측 구성 요소를 파이프라인에 추가합니다.
모델에서 사용할 training_data 지정합니다.
AutoML에서 모델의 성공을 측정하는 데 사용할 기본 메트릭 을 지정합니다.
모델을 출력할 대상 열 지정
작업 유형 및 설정 양식에서 작업 유형(예측)을 선택합니다. 자세한 내용은 지원되는 작업 형식을 참조하세요.
예측의 경우 다음을 수행할 수 있습니다.
딥 러닝 사용.
‘시간 열’ 선택: 이 열에는 사용될 시간 데이터가 포함됩니다.
‘예측 구간’ 선택: 모델이 얼마나 많은 미래의 시간 단위(분/시간/일/주/월/년)를 예측할 수 있는지 표시합니다. 나중에 예측하는 데 더 많은 모델이 필요할수록 정확도가 떨어집니다. 예측 및 예측 구간에 대해 자세히 알아보세요.
(선택 사항) 추가 구성 설정 보기: 학습 작업을 더 효율적으로 제어하는 데 사용할 수 있는 추가 설정입니다. 그렇지 않으면 실험 선택 및 데이터를 기반으로 기본값이 적용됩니다.
추가 구성 설명 기본 메트릭 모델의 점수를 매기는 데 사용되는 기본 메트릭입니다. 모델 메트릭에 대해 자세히 알아보세요. 최상의 모델에 대한 설명 권장되는 최상의 모델에 대한 설명을 표시하려면 사용하도록 설정하거나 사용하지 않도록 설정합니다.
이 기능은 현재 특정 예측 알고리즘에 사용할 수 없습니다.차단된 알고리즘 학습 작업에서 제외할 알고리즘을 선택합니다.
알고리즘 허용은 SDK 실험에 만 사용할 수 있습니다.
각 작업 형식에 지원되는 알고리즘을 참조하세요.종료 기준 다음 조건 중 하나가 충족되면 학습 작업이 중지됩니다.
학습 작업 시간(시간): 학습 작업을 실행할 수 있는 기간입니다.
메트릭 점수 임계값: 모든 파이프라인에 대한 최소 메트릭 점수입니다. 이렇게 하면 도달하려는 정의된 대상 메트릭이 있는 경우 필요한 것보다 학습 작업에 더 많은 시간을 할애하지 않습니다.동시성 최대 동시 반복: 학습 작업에서 테스트할 최대 파이프라인 수(반복)입니다. 작업은 지정된 반복 횟수보다 더 많이 실행되지 않습니다. 자동화된 ML이 클러스터에서 여러 자식 작업을 수행하는 방법을 자세히 알아보세요.
다음 단계
Azure Machine Learning에서 사용 가능한 구성 요소 집합을 참조하세요.