다중 클래스 향상된 의사 결정 트리
이 문서에서는 Azure Machine Learning 디자이너의 구성 요소에 대해 설명합니다.
이 구성 요소를 사용하여 향상된 의사 결정 트리 알고리즘을 기반으로 하는 기계 학습 모델을 만들 수 있습니다.
승격된 의사 결정 트리는 두 번째 트리가 첫 번째 트리의 오류를 정정하고, 세 번째 트리가 첫 번째 및 두 번째 트리의 오류를 정정하는 등의 앙상블 학습 방법입니다. 예측은 트리 앙상블을 기반으로 합니다.
구성 방법
이 구성 요소는 학습되지 않은 분류 모델을 만듭니다. 분류는 감독된 학습 방법이므로 모든 행 값이 있는 레이블 열을 포함하는 ‘레이블이 지정된 데이터 세트’가 필요합니다.
모델 학습을 사용하여 이 유형의 모델을 학습할 수 있습니다.
다중 클래스 향상된 의사 결정 트리 구성 요소를 파이프라인에 추가합니다.
트레이너 모드 만들기 옵션을 설정하여 모델을 학습하는 방법을 지정합니다.
단일 매개 변수: 모델 구성 방법을 알고 있는 경우 특정 값 집합을 인수로 제공할 수 있습니다.
매개 변수 범위: 최적 매개 변수를 잘 모르겠으며 매개 변수 스윕을 실행하려면 이 옵션을 선택합니다. 반복할 값 범위를 선택하면 모델 하이퍼 매개 변수 튜닝이 제공된 설정의 가능한 모든 조합을 반복하여 최적 결과를 생성하는 하이퍼 매개 변수를 확인합니다.
트리당 최대 리프 수는 임의 트리에서 만들 수 있는 터미널 노드(리프)의 최대 개수를 제한합니다.
이 값을 늘리면 트리 크기가 커지고 정밀도는 높아질 수 있지만 학습 시간이 더 길어지고 과잉 맞춤이 발생할 수 있습니다.
리프 노드당 최소 샘플 수는 트리에서 터미널 노드(리프)를 만드는 데 필요한 사례 수를 나타냅니다.
이 값을 늘려 새 규칙을 작성하기 위한 임계값을 늘립니다. 예를 들어, 기본값이 1이면 단일 사례만으로도 새 규칙을 하나 작성할 수 있습니다. 값을 5로 늘리면 학습 데이터에 동일한 조건을 만족하는 사례가 다섯 개 이상 있어야 합니다.
학습 속도는 학습하는 동안의 단계 크기를 정의합니다. 0에서 1 사이의 숫자를 입력합니다.
학습 속도는 학습자가 최적 솔루션으로 수렴하는 속도를 결정합니다. 단계 크기가 너무 크면 최적 솔루션을 초과할 수 있습니다. 단계 크기가 너무 작으면 학습이 최적 솔루션으로 수렴하는 데 걸리는 시간이 길어집니다.
생성되는 트리 수는 앙상블로 만들 의사 결정 트리의 총수를 나타냅니다. 추가 의사 결정 트리를 만들면 적용 범위가 확대될 수 있지만 학습 시간이 증가됩니다.
난수 시드는 임의 시드 값으로 사용할 음수가 아닌 정수를 선택적으로 설정합니다. 시드를 지정하면 동일한 데이터와 매개 변수를 사용하는 실행에서 재현 가능성이 보장됩니다.
임의 시드는 기본적으로 42로 설정됩니다. 다른 임의 시드를 사용하여 연속 실행할 경우 결과가 달라질 수 있습니다.
모델을 학습합니다.
트레이너 모드 만들기를 단일 매개 변수로 설정하는 경우 태그가 지정된 데이터 세트와 모델 학습 구성 요소를 연결합니다.
트레이너 모드 만들기를 매개 변수 범위로 설정하는 경우 태그가 지정된 데이터 세트를 연결하고 모델 하이퍼 매개 변수 조정을 사용하여 모델을 학습시킵니다.
참고
모델 학습에 매개 변수 범위를 전달하는 경우 단일 매개 변수 목록의 기본값만 사용합니다.
매개 변수 값의 단일 집합을 모델 하이퍼 매개 변수 조정 구성 요소에 전달하는 경우 각 매개 변수에 대한 설정 범위를 예상할 때 해당 값을 무시하고 학습자에 대한 기본값을 사용합니다.
매개 변수 범위 옵션을 선택하고 임의 매개 변수에 대해 단일 값을 입력하면 다른 매개 변수가 값 범위에서 변경되는 경우에도 지정한 단일 값이 스윕 전체에서 사용됩니다.
다음 단계
Azure Machine Learning에서 사용 가능한 구성 요소 집합을 참조하세요.