자습서: ML.NET을 사용하여 제품 판매의 변칙 검색
제품 판매 데이터에 대한 변칙 검색 애플리케이션을 빌드하는 방법을 알아봅니다. 이 자습서에서는 Visual Studio에서 C#을 사용하여 .NET Core 콘솔 애플리케이션을 만듭니다.
이 자습서에서는 다음과 같은 작업을 수행하는 방법을 살펴봅니다.
- 데이터 로드
- 급증 변칙 검색에 대한 변환 작성
- 변환으로 급증 변칙 검색
- 변화점 변칙 검색에 대한 변환 작성
- 변환으로 변화점 변칙 검색
dotnet/samples 리포지토리에서 이 자습서의 소스 코드를 찾을 수 있습니다.
사전 요구 사항
“.NET 데스크톱 개발” 워크로드가 설치된 Visual Studio 2022.
참고
product-sales.csv에서 데이터 형식은 “3년간 샴푸 판매량” 데이터 세트(출처: DataMarket, 제공: TSDL(시계열 데이터 라이브러리), 작성: Rob Hyndman)에 기반합니다.
"3년간 샴푸 판매량”데이터 세트는 DataMarket 기본 오픈 라이선스 하에 사용이 허가되었습니다.
콘솔 애플리케이션 만들기
“ProductSalesAnomalyDetection”이라고 하는 C# 콘솔 애플리케이션을 만듭니다. 다음 단추를 클릭합니다.
사용할 프레임워크로 .NET 6을 선택합니다. 만들기 단추를 클릭합니다.
프로젝트에 이름이 Data인 디렉터리를 만들어 데이터 세트 파일을 저장합니다.
Microsoft.ML NuGet 패키지를 설치합니다.
참고
이 샘플에서는 별도로 지정하지 않은 한 언급된 NuGet 패키지의 최신 안정화 버전을 사용합니다.
솔루션 탐색기에서 프로젝트를 마우스 오른쪽 단추로 클릭하고 NuGet 패키지 관리를 선택합니다. "nuget.org"를 패키지 소스로 선택하고, [찾아보기] 탭을 선택하고, Microsoft.ML을 검색하고 설치 단추를 선택합니다. 변경 내용 미리 보기 대화 상자에서 확인 단추를 선택한 다음, 나열된 패키지의 사용 조건에 동의하는 경우 라이선스 승인 대화 상자에서 동의함 단추를 선택합니다. Microsoft.ML.TimeSeries에 이 단계를 반복합니다.
Program.cs 파일 맨 위에 다음
using문을 추가합니다.using Microsoft.ML; using ProductSalesAnomalyDetection;
데이터 다운로드
데이터 세트를 다운로드하여 이전에 만든 Data 폴더에 저장합니다.
product-sales.csv를 마우스 오른쪽 단추로 클릭하고 "링크(또는 대상)를 다른 이름으로 저장..."을 선택합니다.
*.csv 파일을 Data 폴더에 저장하거나 다른 곳에 저장한 후 *.csv 파일을 Data 폴더로 이동해야 합니다.
솔루션 탐색기 *.csv 파일을 마우스 오른쪽 단추로 클릭하고 속성을 선택합니다. 고급 아래에서 출력 디렉터리에 복사 값을 변경된 내용만 복사로 변경합니다.
다음 표는 *.csv 파일의 데이터 미리 보기입니다.
| 월 | ProductSales |
|---|---|
| 1-Jan | 271 |
| 2-Jan | 150.9 |
| ..... | ..... |
| 1-Feb | 199.3 |
| ..... | ..... |
클래스 만들기 및 경로 정의
그런 다음 입력 및 예측 클래스 데이터 구조를 정의합니다.
새 클래스를 프로젝트에 추가합니다.
솔루션 탐색기 프로젝트를 마우스 오른쪽 단추로 클릭한 다음 새 항목 추가 > 를 선택합니다.
새 항목 추가 대화 상자에서 클래스를 선택하고 이름 필드를 ProductSalesData.cs로 변경합니다. 그런 다음, 추가 단추를 선택합니다.
ProductSalesData.cs 파일이 코드 편집기에서 열립니다.
다음
using문을 ProductSalesData.cs의 맨 위에 추가합니다.using Microsoft.ML.Data;기존 클래스 정의를 제거하고 두 개의 클래스
ProductSalesData및ProductSalesPrediction이 있는 다음 코드를 ProductSalesData.cs 파일에 추가합니다.public class ProductSalesData { [LoadColumn(0)] public string? Month; [LoadColumn(1)] public float numSales; } public class ProductSalesPrediction { //vector to hold alert,score,p-value values [VectorType(3)] public double[]? Prediction { get; set; } }ProductSalesData은 입력 데이터 클래스를 지정합니다. LoadColumn 특성은 데이터 세트에서 로드해야 하는 열(열 인덱스 기준)을 지정합니다.ProductSalesPrediction을 통해서는 예측 데이터 클래스를 지정합니다. 변칙 검색의 경우 예측은 변칙, 원시 점수 및 p 값이 있는지를 나타내는 경고로 구성됩니다. P 값이 0에 가까울수록 이상 발생 가능성이 큽니다.최근에 다운로드한 데이터 세트 파일 경로 및 저장된 모델 파일 경로를 포함할 두 개의 글로벌 필드를 만듭니다.
_dataPath에는 모델을 학습시키는 데 사용되는 데이터 세트의 경로가 포함됩니다._docsize에는 데이터 세트 파일의 레코드 수가 있습니다._docSize를 사용하여pvalueHistoryLength를 계산합니다.
using 문 바로 아래 줄에 다음 코드를 추가하여 해당 경로를 지정합니다.
string _dataPath = Path.Combine(Environment.CurrentDirectory, "Data", "product-sales.csv"); //assign the Number of records in dataset file to constant variable const int _docsize = 36;
변수 초기화
Console.WriteLine("Hello World!")줄을 다음 코드로 바꾸어mlContext변수를 선언하고 초기화합니다.MLContext mlContext = new MLContext();MLContext 클래스는 모든 ML.NET 작업의 시작점이며,
mlContext를 초기화하면 모델 생성 워크플로 개체 간에 공유할 수 있는 새 ML.NET 환경이 생성됩니다. 개념적으로 Entity Framework의DBContext와 유사합니다.
데이터 로드
ML.NET의 데이터는 IDataView 인터페이스로 표시됩니다. IDataView는 표 형식 데이터(숫자 및 텍스트)를 유연하고 효율적으로 설명하는 방법입니다. 데이터를 텍스트 파일 또는 다른 소스(예: SQL 데이터베이스 또는 로그 파일)에서 IDataView 개체로 로드할 수 있습니다.
mlContext변수를 만든 후 다음 코드를 추가합니다.IDataView dataView = mlContext.Data.LoadFromTextFile<ProductSalesData>(path: _dataPath, hasHeader: true, separatorChar: ',');LoadFromTextFile()은 데이터 스키마를 정의하고 파일에서 읽습니다. 데이터 경로 변수를 가져와서
IDataView를 반환합니다.
시계열 변칙 검색
변칙 검색은 예기치 않거나 비정상적인 이벤트 또는 동작을 플래그합니다. 문제를 살펴봐야 할 곳에 대한 단서를 제공하고 "이상한가?"라는 질문에 대해 답할 수 있도록 도와줍니다.
변칙 검색은 시계열 데이터의 이상값 즉, 예상치 않거나 “이상한” 동작이 발생한 지정된 시계열의 지점을 검색하는 프로세스로서,
변칙 검색은 다양한 방법으로 유용하게 사용할 수 있습니다. 예를 들면 다음과 같습니다.
자동차가 있다면 다음 사항을 알고 싶을 것입니다. 이 오일 게이지 판독치가 정상인가? 누유가 있나? 전력 소비를 모니터링하는 경우 다음 사항을 알고 싶을 것입니다. 정전이 있나?
검색할 수 있는 시간 시계열 변칙에는 다음과 같은 두 종류가 있습니다.
급증 - 시스템에서 변칙 동작의 일시적인 버스트를 나타냅니다.
변화점 - 시스템에서 시간에 따른 지속적인 변화의 시작점을 나타냅니다.
ML.NET에서 IID 급증 검색 또는 IID 변화점 검색 알고리즘은 독립적이고 동일하게 분산된 데이터 세트에 적합합니다. 입력 데이터가 하나의 고정 분포에서 독립적으로 샘플링되는 일련의 데이터 포인트라고 가정합니다.
다른 자습서의 모델과 달리 시계열 변칙 검색기 변환은 입력 데이터에서 직접 작동합니다. IEstimator.Fit() 메서드를 통해 변환을 생성하는 데 학습 데이터가 필요하지 않습니다. 그러나 ProductSalesData의 빈 목록에서 생성된 데이터 뷰에서 제공되는 데이터 스키마가 필요합니다.
급증 및 변화점을 검색하기 위해 동일한 제품 판매 데이터를 분석할 예정입니다. 모델 빌드 및 학습 프로세스는 급증 검색과 변화점 검색에 동일하지만, 특정 검색 알고리즘이 사용된다는 기본적인 차이점이 있습니다.
급증 검색
스파이크 검색의 목표는 대다수의 시계열 데이터 값과는 상당히 다른 갑작스럽지만 일시적인 버스트를 식별하는 것입니다. 의심스러운 희귀 항목, 이벤트 또는 관찰 사항을 시기적절하게 검색하여 최소화해야 합니다. 정전, 사이버 공격 또는 바이러스성 웹 콘텐츠 등의 다양한 변칙을 검색하기 위해 다음과 같은 접근 방식을 사용할 수 있습니다. 다음 이미지는 시계열 데이터 세트에서 급증의 예입니다.
CreateEmptyDataView() 메서드 추가
Program.cs에 다음 메서드를 추가합니다.
IDataView CreateEmptyDataView(MLContext mlContext) {
// Create empty DataView. We just need the schema to call Fit() for the time series transforms
IEnumerable<ProductSalesData> enumerableData = new List<ProductSalesData>();
return mlContext.Data.LoadFromEnumerable(enumerableData);
}
CreateEmptyDataView()를 통해서는 IEstimator.Fit() 메서드의 입력으로 사용될 올바른 스키마를 사용하여 빈 데이터 뷰 개체를 생성합니다.
DetectSpike() 메서드 만들기
DetectSpike() 메서드는 다음 작업을 수행합니다.
- 평가자에서 변환을 만듭니다.
- 판매 기록 데이터를 기준으로 급증을 검색합니다.
- 결과를 표시합니다.
다음 코드를 사용하여 Program.cs 파일의 맨 아래에
DetectSpike()메서드를 만듭니다.DetectSpike(MLContext mlContext, int docSize, IDataView productSales) { }IidSpikeEstimator를 사용하여 급증 검색에 대한 모델을 학습합니다. 다음 코드를 사용하여
DetectSpike()메서드에 추가합니다.var iidSpikeEstimator = mlContext.Transforms.DetectIidSpike(outputColumnName: nameof(ProductSalesPrediction.Prediction), inputColumnName: nameof(ProductSalesData.numSales), confidence: 95d, pvalueHistoryLength: docSize / 4);DetectSpike()메서드에서 다음 코드 줄로 다음을 추가하여 급증 검색 변환을 만듭니다.팁
confidence및pvalueHistoryLength매개 변수는 급증을 감지하는 방법에 영향을 미칩니다.confidence는 모델이 급증에 얼마나 민감한지 결정합니다. 신뢰도가 낮을수록 알고리즘이 “더 작은” 급증을 검색할 가능성이 높습니다.pvalueHistoryLength매개 변수는 슬라이딩 윈도우의 데이터 포인트 수를 정의합니다. 이 매개 변수의 값은 일반적으로 전체 데이터 세트의 백분율입니다.pvalueHistoryLength가 낮을수록 모델이 이전 큰 급증을 잊는 속도가 빨라집니다.ITransformer iidSpikeTransform = iidSpikeEstimator.Fit(CreateEmptyDataView(mlContext));다음 코드 줄을 추가하여
productSales데이터를DetectSpike()메서드에서 다음 줄로 변환합니다.IDataView transformedData = iidSpikeTransform.Transform(productSales);이전 코드에서는 Transform() 메서드를 사용하여 여러 데이터 세트 입력 행에 대해 예측합니다.
쉽게 표시할 수 있도록 다음 코드로 CreateEnumerable() 메서드를 사용하여
transformedData를 강력한 형식의IEnumerable로 변환합니다.var predictions = mlContext.Data.CreateEnumerable<ProductSalesPrediction>(transformedData, reuseRowObject: false);다음 Console.WriteLine() 코드를 사용하여 표시 헤더 줄을 만듭니다.
Console.WriteLine("Alert\tScore\tP-Value");급증 검색 결과에서 다음 정보를 표시합니다.
Alert- 지정된 데이터 요소에 대한 급증 경고를 나타냅니다.Score- 데이터 세트에서 지정된 데이터 요소에 대한ProductSales값입니다.P-Value"P"는 확률을 나타냅니다. P 값이 0에 가까울수록 데이터 포인트가 변칙일 가능성이 높습니다.
다음 코드를 사용하여
predictionsIEnumerable을 반복하고 결과를 표시합니다.foreach (var p in predictions) { if (p.Prediction is not null) { var results = $"{p.Prediction[0]}\t{p.Prediction[1]:f2}\t{p.Prediction[2]:F2}"; if (p.Prediction[0] == 1) { results += " <-- Spike detected"; } Console.WriteLine(results); } } Console.WriteLine("");LoadFromTextFile()메서드 호출 아래에DetectSpike()메서드 호출을 추가합니다.DetectSpike(mlContext, _docsize, dataView);
급증 검색 결과
다음과 같은 결과가 나타나야 합니다. 처리 중 메시지가 표시됩니다. 경고 또는 메시지 처리를 확인할 수 있습니다. 이해하기 쉽도록 일부 메시지는 다음 결과에서 제거되었습니다.
Detect temporary changes in pattern
=============== Training the model ===============
=============== End of training process ===============
Alert Score P-Value
0 271.00 0.50
0 150.90 0.00
0 188.10 0.41
0 124.30 0.13
0 185.30 0.47
0 173.50 0.47
0 236.80 0.19
0 229.50 0.27
0 197.80 0.48
0 127.90 0.13
1 341.50 0.00 <-- Spike detected
0 190.90 0.48
0 199.30 0.48
0 154.50 0.24
0 215.10 0.42
0 278.30 0.19
0 196.40 0.43
0 292.00 0.17
0 231.00 0.45
0 308.60 0.18
0 294.90 0.19
1 426.60 0.00 <-- Spike detected
0 269.50 0.47
0 347.30 0.21
0 344.70 0.27
0 445.40 0.06
0 320.90 0.49
0 444.30 0.12
0 406.30 0.29
0 442.40 0.21
1 580.50 0.00 <-- Spike detected
0 412.60 0.45
1 687.00 0.01 <-- Spike detected
0 480.30 0.40
0 586.30 0.20
0 651.90 0.14
변화점 검색
Change points은 수치 변화 및 추세와 같은 값의 시계열 이벤트 스트림 분산에서 지속적인 변화입니다. 이러한 지속적인 변화는 spikes보다 훨씬 오래 지속되며 심각한 이벤트를 나타낼 수 있습니다. Change points는 보통 육안으로는 보이지 않지만, 다음 메서드에서와 같은 접근법을 사용하여 데이터에서 검색할 수 있습니다. 다음 이미지는 변화점 검색의 예입니다.
DetectChangepoint() 메서드 만들기
DetectChangepoint() 메서드는 다음 작업을 실행합니다.
- 평가자에서 변환을 만듭니다.
- 판매 내역 데이터에 기반하여 변화점을 검색합니다.
- 결과를 표시합니다.
다음 코드를 사용하여
DetectSpike()메서드 선언 바로 뒤에DetectChangepoint()메서드를 만듭니다.void DetectChangepoint(MLContext mlContext, int docSize, IDataView productSales) { }다음 코드를 사용하여
DetectChangepoint()메서드에 iidChangePointEstimator를 만듭니다.var iidChangePointEstimator = mlContext.Transforms.DetectIidChangePoint(outputColumnName: nameof(ProductSalesPrediction.Prediction), inputColumnName: nameof(ProductSalesData.numSales), confidence: 95d, changeHistoryLength: docSize / 4);이전에 수행한 방식대로
DetectChangePoint()메서드에 다음 코드 줄을 추가하여 평가자에서 변환을 만듭니다.팁
모델에서 현재 편차가 경고를 만들기 전에 발생하는 약간의 무작위 급증이 아니라 지속적인 변경인지 확인해야 하므로 약간 지연될 경우 변경 지점 검색이 발생합니다. 이 지연의 크기는
changeHistoryLength매개 변수와 같습니다. 이 매개 변수의 값을 늘리면 변경 검색은 더 지속적인 변경에 관해 경고하지만 이로 인해 지연이 더 길어질 수 있습니다.var iidChangePointTransform = iidChangePointEstimator.Fit(CreateEmptyDataView(mlContext));Transform()메서드로DetectChangePoint()에 다음 코드를 추가하여 데이터를 변환합니다.IDataView transformedData = iidChangePointTransform.Transform(productSales);이전에 했던 것처럼 쉽게 표시할 수 있도록 다음 코드로
CreateEnumerable()메서드를 사용하여transformedData를 강력한 형식의IEnumerable로 변환합니다.var predictions = mlContext.Data.CreateEnumerable<ProductSalesPrediction>(transformedData, reuseRowObject: false);DetectChangePoint()메서드에 아래 코드를 사용하여 표시 헤더를 다음 줄로 만듭니다.Console.WriteLine("Alert\tScore\tP-Value\tMartingale value");변화점 검색 결과에서 다음 정보를 표시합니다.
Alert- 지정된 데이터 요소에 대한 변화점 경고를 나타냅니다.Score- 데이터 세트에서 지정된 데이터 요소에 대한ProductSales값입니다.P-Value"P"는 확률을 나타냅니다. P 값이 0에 가까울수록 데이터 포인트가 변칙일 가능성이 높습니다.Martingale value는 P 값의 시퀀스에 기반하여 데이터 요소의 “이상한” 정도를 식별하는 데 사용됩니다.
다음 코드를 사용하여
predictionsIEnumerable을 반복하고 결과를 표시합니다.foreach (var p in predictions) { if (p.Prediction is not null) { var results = $"{p.Prediction[0]}\t{p.Prediction[1]:f2}\t{p.Prediction[2]:F2}\t{p.Prediction[3]:F2}"; if (p.Prediction[0] == 1) { results += " <-- alert is on, predicted changepoint"; } Console.WriteLine(results); } } Console.WriteLine("");DetectSpike()메서드 호출 아래에 다음DetectChangepoint()메서드 호출을 추가합니다.DetectChangepoint(mlContext, _docsize, dataView);
변화점 검색 결과
다음과 같은 결과가 나타나야 합니다. 처리 중 메시지가 표시됩니다. 경고 또는 메시지 처리를 확인할 수 있습니다. 이해하기 쉽도록 일부 메시지는 다음 결과에서 제거되었습니다.
Detect Persistent changes in pattern
=============== Training the model Using Change Point Detection Algorithm===============
=============== End of training process ===============
Alert Score P-Value Martingale value
0 271.00 0.50 0.00
0 150.90 0.00 2.33
0 188.10 0.41 2.80
0 124.30 0.13 9.16
0 185.30 0.47 9.77
0 173.50 0.47 10.41
0 236.80 0.19 24.46
0 229.50 0.27 42.38
1 197.80 0.48 44.23 <-- alert is on, predicted changepoint
0 127.90 0.13 145.25
0 341.50 0.00 0.01
0 190.90 0.48 0.01
0 199.30 0.48 0.00
0 154.50 0.24 0.00
0 215.10 0.42 0.00
0 278.30 0.19 0.00
0 196.40 0.43 0.00
0 292.00 0.17 0.01
0 231.00 0.45 0.00
0 308.60 0.18 0.00
0 294.90 0.19 0.00
0 426.60 0.00 0.00
0 269.50 0.47 0.00
0 347.30 0.21 0.00
0 344.70 0.27 0.00
0 445.40 0.06 0.02
0 320.90 0.49 0.01
0 444.30 0.12 0.02
0 406.30 0.29 0.01
0 442.40 0.21 0.01
0 580.50 0.00 0.01
0 412.60 0.45 0.01
0 687.00 0.01 0.12
0 480.30 0.40 0.08
0 586.30 0.20 0.03
0 651.90 0.14 0.09
지금까지 이제 판매 데이터에서 급증 및 변화점 변칙을 검색하기 위한 기계 학습 모델을 성공적으로 빌드했습니다.
dotnet/samples 리포지토리에서 이 자습서의 소스 코드를 찾을 수 있습니다.
본 자습서에서는 다음 작업에 관한 방법을 학습했습니다.
- 데이터 로드
- 급증 변칙 검색에 대한 모델 학습
- 학습된 모델로 급증 변칙 검색
- 변화 지점 변칙 검색에 대한 모델 학습
- 학습된 모델로 변화점 변칙 검색
다음 단계
Machine Learning 샘플 GitHub 리포지토리를 확인하여 계절성 데이터 변칙 검색 샘플을 살펴보세요.
.NET