열 변환 선택
이 문서에서는 Azure Machine Learning 디자이너에서 열 변환 선택 구성 요소를 사용하는 방법을 설명합니다. 열 변환 선택 구성 요소의 목적은 다운스트리밍 기계 학습 작업에서 예측 가능하고 일관된 열 집합이 사용되도록 하는 것입니다.
이 구성 요소는 특정 열이 필요한 점수 매기기와 같은 작업에 유용합니다. 사용 가능한 열이 변경되어 파이프라인이 중단되거나 결과가 변경될 수 있습니다.
열 선택 변환을 사용하여 열 집합을 만들고 저장합니다. 그런 다음, 변환 적용 구성 요소를 사용하여 이러한 선택 사항을 새 데이터에 적용합니다.
열 변환 선택을 사용하는 방법
이 시나리오에서는 기능 선택을 사용하여 모델 학습에 사용할 동적 열 집합을 생성한다고 가정합니다. 점수 매기기 프로세스에서 열 선택이 동일하도록 하려면 열 변환 선택 구성 요소를 사용하여 열 선택을 캡처하고 파이프라인의 다른 곳에 적용합니다.
디자이너에서 파이프라인에 입력 데이터 세트를 추가합니다.
필터 기반 기능 선택 인스턴스를 추가합니다.
구성 요소를 연결하고 기능 선택 구성 요소를 구성하여 입력 데이터 세트에서 수많은 최상의 기능을 자동으로 찾도록 합니다.
모델 학습 인스턴스를 추가하고 필터 기반 기능 선택의 출력을 학습 입력으로 사용합니다.
Important
기능 중요도는 열의 값을 기반으로 하므로 모델 학습에 입력할 수 있는 열을 미리 알 수 없습니다.
열 변환 선택 구성 요소의 인스턴스를 연결합니다.
이 단계에서는 열 선택을 다른 데이터 세트에 저장하거나 적용할 수 있는 변환으로 생성합니다. 이 단계에서는 기능 선택에서 식별된 열이 다른 구성 요소가 재사용할 수 있도록 저장되었는지 확인합니다.
모델 점수 매기기 구성 요소를 추가합니다.
입력 데이터 세트를 연결하지 마세요. 대신 변환 적용 구성 요소를 추가하고 기능 선택 변환의 출력을 연결합니다.
파이프라인 구조는 다음과 같아야 합니다.
Important
점수 매기기 데이터 세트에 필터 기반 기능 선택을 적용하고 동일한 결과를 얻을 것으로 예상할 수 없습니다. 기능 선택은 값을 기반으로 하기 때문에 다른 열 집합을 선택할 수 있으므로 점수 매기기 작업이 실패할 수 있습니다.
파이프라인을 제출합니다.
열 선택을 저장하고 적용하는 이 프로세스는 학습 및 채점에 동일한 데이터 스키마를 사용할 수 있도록 합니다.
다음 단계
Azure Machine Learning에서 사용 가능한 구성 요소 집합을 참조하세요.