교차 유효성 검사 탭(마이닝 정확도 차트 뷰)
교차 유효성 검사를 사용하면 마이닝 구조를 교집합 영역으로 분할하고 각 교집합 영역에 대해 모델을 반복적으로 학습 및 테스트할 수 있습니다. 데이터를 분할할 접기 수를 지정하면 각 접기가 테스트 데이터로 사용되고 나머지 데이터는 새 모델을 학습하는 데 사용됩니다. 그러면 Analysis Services가 각 모델에 대해 표준 정확도 메트릭 집합을 생성합니다. 각 교집합 영역에 대해 생성된 모델의 메트릭을 비교하여 전체 데이터 집합에 대한 마이닝 모델의 안정성을 파악할 수 있습니다.
자세한 내용은 교차 유효성 검사(Analysis Services - 데이터 마이닝)를 참조하십시오.
[!참고]
Microsoft 시계열 알고리즘 또는 Microsoft 시퀀스 클러스터링 알고리즘을 사용하여 작성한 모델에는 교차 유효성 검사를 사용할 수 없습니다. 이러한 모델 유형을 포함하는 마이닝 구조에서 보고서를 실행하면 해당 모델이 보고서에 포함되지 않습니다.
접기 수를 지정합니다.
교차 유효성 검사에 사용할 최대 사례 수를 지정합니다.
예측 가능한 열을 지정합니다.
필요에 따라 예측 가능한 상태를 지정합니다.
필요에 따라 예측의 정확도 평가 방법을 제어하는 매개 변수를 설정합니다.
결과 가져오기를 클릭하여 교차 유효성 검사의 결과를 표시합니다.
접기 개수
만들 접기 또는 파티션의 수를 지정합니다. 최소값은 데이터 집합의 절반은 테스트에 사용되고 나머지 절반은 학습에 사용됨을 의미하는 2입니다.세션 마이닝 구조의 경우 최대값은 10입니다.
마이닝 구조가 Analysis Services 인스턴스에 저장되는 경우 최대값은 256입니다.
[!참고]
접기 수를 늘리면 교차 유효성 검사를 수행하는 데 필요한 시간도 마찬가지로 n배 증가합니다. 사례 수가 크고 접기 개수 값도 큰 경우 성능 문제가 발생할 수 있습니다.
최대 사례
교차 유효성 검사에 사용할 최대 사례 수를 지정합니다. 특정 접기의 사례 수는 최대 사례 값을 접기 개수 값으로 나눈 값과 같습니다.0을 사용하면 원본 데이터의 모든 사례가 교차 유효성 검사에 사용됩니다.
기본값은 없습니다.
[!참고]
사례 수를 늘리면 처리 시간도 증가합니다.
대상 특성
모든 모델에서 찾은 예측 가능한 열 목록에서 열을 선택합니다. 교차 유효성 검사를 수행할 때마다 하나의 예측 가능한 열만 선택할 수 있습니다.클러스터링 모델만 테스트하려면 클러스터를 선택합니다.
대상 상태
값을 입력하거나 드롭다운 값 목록에서 대상 값을 선택합니다.기본값은 null로 모든 상태가 테스트된 것으로 간주됩니다.
클러스터링 모델에서는 사용되지 않습니다.
대상 임계값
예측 확률을 나타내는 0-1의 값을 지정합니다. 이 임계값을 초과하는 예측 상태는 올바른 것으로 간주됩니다. 이 값은 0.1 단위로 설정할 수 있습니다.기본값은 null로 가장 가능성이 높은 예측이 올바른 것으로 간주됩니다.
[!참고]
이 값을 0.0으로 설정할 수 있지만 이 값을 사용하면 처리 시간이 늘어나고 의미 있는 결과가 생성되지 않습니다.
결과 가져오기
지정한 매개 변수를 사용하여 모델의 교차 유효성 검사를 시작하려면 클릭합니다.모델이 지정한 접기 수로 분할되고 각 접기에 대해 별도의 모델이 테스트됩니다. 따라서 교차 유효성 검사가 결과를 반환할 때까지 다소 시간이 걸릴 수 있습니다.
교차 유효성 검사 보고서의 결과를 해석하는 방법은 교차 유효성 검사 보고서(Analysis Services - 데이터 마이닝)를 참조하십시오.
정확도 임계값 설정
대상 임계값을 설정하여 예측 정확도를 측정하기 위한 표준을 제어할 수 있습니다. 임계값은 일종의 정확도 막대를 나타냅니다. 각 예측에는 예측 값이 정확할 확률이 할당됩니다. 따라서 대상 임계값을 1에 가깝게 설정하면 특정 예측의 확률이 매우 높아야 예측이 올바른 예측으로 간주됩니다. 반대로 대상 임계값을 0에 가깝게 설정하면 확률 값이 낮은 예측도 "올바른" 예측으로 간주됩니다.
예측의 확률은 만드는 예측의 유형과 데이터의 양에 따라 달라지므로 권장되는 임계값은 없습니다. 확률 수준이 다른 몇 가지 예측을 검토하여 데이터에 적합한 정확도 막대를 결정해야 합니다. 대상 임계값에 설정하는 값은 측정된 모델의 정확도에 영향을 주므로 이 작업을 수행하는 것이 중요합니다.
예를 들어 특정 대상 상태에 대해 세 개의 예측을 만들었으며 각 예측의 확률이 0.05, 0.15 및 0.8이라고 가정합니다. 임계값을 0.5로 설정하면 한 예측만 올바른 것으로 간주됩니다. 대상 임계값을 0.10으로 설정하면 두 예측이 올바른 것으로 간주됩니다.
대상 임계값을 기본값인 null로 설정하면 각 사례에 대해 가장 가능성이 높은 예측이 올바른 것으로 간주됩니다. 위의 예에서 0.05, 0.15 및 0.8은 세 개의 사례에서 예측에 대한 확률입니다. 확률이 서로 많이 다르지만 각 사례는 하나의 예측만 생성하고 이러한 예측은 사례에 대한 최상의 예측이므로 각 예측은 올바른 것으로 간주됩니다.