다중 클래스 의사 결정 포리스트 구성 요소
이 문서에서는 Azure Machine Learning 디자이너의 구성 요소에 대해 설명합니다.
이 구성 요소를 사용하여 의사 결정 포리스트 알고리즘을 기반으로 기계 학습 모델을 만듭니다. 의사 결정 포리스트는 태그가 지정된 데이터에서 학습하면서 일련의 의사 결정 트리를 빠르게 빌드하는 앙상블 모델입니다.
의사 결정 포리스트에 대한 자세한 정보
의사 결정 포리스트 알고리즘은 분류를 위한 앙상블 학습 방법입니다. 이 알고리즘은 여러 의사 결정 트리를 빌드한 다음, 가장 인기 있는 출력 클래스에서 ‘투표’하는 방식으로 작동합니다. 투표는 분류 의사 결정 포리스트의 각 트리가 레이블의 정규화되지 않은 빈도 히스토그램을 출력하는 집계의 한 가지 형태입니다. 집계 프로세스는 이러한 히스토그램의 합계를 계산하고 결과를 정규화하여 각 레이블에 대한 ‘확률’을 가져옵니다. 앙상블의 최종 결정에서 예측 신뢰도가 높은 트리에 더 큰 가중치가 주어집니다.
의사 결정 트리는 일반적으로 비파라메트릭 모델이며 이는 의사 결정 트리가 다양한 방식으로 분포된 데이터를 지원함을 의미합니다. 각 트리에서는 각 클래스에 대해 간단한 테스트 시퀀스를 실행하여 리프 노드(의사 결정)에 도달할 때까지 트리 구조 수준을 늘립니다.
의사 결정 트리를 사용하는 경우 많은 이점이 제공됩니다.
- 비선형 의사 결정 경계를 표시할 수 있습니다.
- 학습 및 예측 중에 계산과 메모리 사용량 측면에서 효율적입니다.
- 통합 기능 선택 및 분류를 수행합니다.
- 잡음 기능이 있는 경우 탄력적입니다.
Azure Machine Learning의 의사 결정 포리스트 분류자는 의사 결정 트리의 앙상블을 구성합니다. 일반적으로 앙상블 모델은 단일 의사 결정 트리에 비해 적용 범위가 넓고 정확도가 높습니다. 자세한 내용은 의사 결정 트리를 참조하세요.
다중 클래스 의사 결정 포리스트를 구성하는 방법
디자이너에서 파이프라인에 다중 클래스 의사 결정 포리스트 구성 요소를 추가합니다. 이 구성 요소는 분류, 모델 초기화, 기계 학습 아래에서 찾을 수 있습니다.
구성 요소를 두 번 클릭하여 속성 창을 엽니다.
재샘플링 방법의 경우 개별 트리를 만드는 데 사용되는 방법을 선택합니다. 모음 만들기 또는 복제 중에서 선택할 수 있습니다.
모음 만들기: 모음 만들기를 ‘부트스트랩 집계’라고도 합니다. 이 방법에서는 원본 데이터 세트의 크기가 될 때까지 원본 데이터 세트를 임의로 샘플링하여 만든 새 샘플에서 각 트리가 성장하도록 합니다. 모델의 출력은 집계의 한 가지 형식인 ‘투표’로 결합됩니다. 자세한 내용은 부트스트랩 집계에 대한 Wikipedia 항목을 참조하세요.
복제: 복제에서 각 트리는 정확히 동일한 입력 데이터에 대해 학습됩니다. 각 트리 노드에 사용되는 분할 조건자의 결정은 임의로 유지되어 다양한 트리를 생성합니다.
트레이너 모드 만들기 옵션을 설정하여 모델을 학습시키려는 방법을 지정합니다.
단일 매개 변수: 모델을 구성하는 방법을 알고 있으며 값 세트를 인수로 제공하는 경우 이 옵션을 선택합니다.
매개 변수 범위: 최적 매개 변수를 잘 모르는 상태에서 매개 변수 스윕을 실행하려면 이 옵션을 선택합니다. 반복할 값의 범위를 선택하면 모델 하이퍼 매개 변수 튜닝이 제공된 설정의 가능한 모든 조합을 반복하여 최적 결과를 생성하는 하이퍼 매개 변수를 확인합니다.
의사 결정 트리 수: 앙상블에서 만들 수 있는 최대 의사 결정 트리 수를 입력합니다. 더 많은 의사 결정 트리를 만들어 적용 범위를 확대할 수 있지만, 학습 시간이 늘어날 수 있습니다.
그러나 값을 1로 설정하는 경우 하나의 트리(초기 매개 변수 세트가 있는 트리)만 생성되고 더 이상의 반복이 수행되지 않음을 의미합니다.
의사 결정 트리의 최대 깊이: 의사 결정 트리의 최대 깊이를 제한하는 숫자를 입력합니다. 트리의 수준을 늘리면 정밀도는 높아질 수 있지만 학습 시간이 더 길어지고 과잉 맞춤이 발생할 수 있습니다.
노드당 임의 분할 수: 트리의 각 노드를 빌드하는 경우 사용할 분할 수를 입력합니다. ‘분할’은 트리(노드)의 각 수준에 있는 특성이 임의로 분할됨을 의미합니다.
리프 노드당 최소 샘플 수: 트리에서 터미널 노드(리프)를 만드는 데 필요한 최소 케이스 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.
레이블이 지정된 데이터 세트를 연결하고 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 변수의 단일 값을 입력하는 경우 다른 매개 변수가 값 범위에서 변경되더라도 지정한 단일 값은 스윕 전체에서 사용됩니다.
파이프라인을 제출합니다.
다음 단계
Azure Machine Learning에서 사용 가능한 구성 요소 집합을 참조하세요.