다음을 통해 공유

AutoML을 사용하여 분류

  • 아티클

AutoML을 사용하여 지정된 입력의 레이블 또는 범주를 예측하는 최상의 분류 알고리즘 및 하이퍼 매개 변수 구성을 자동으로 찾습니다.

UI를 사용하여 분류 실험 설정

다음 단계에 따라 AutoML UI를 사용하여 분류 문제를 설정할 수 있습니다.

  1. 사이드바에서 실험을 선택합니다.

  2. 분류 카드에서 학습 시작을 선택합니다.

    AutoML 실험 구성 페이지가 표시됩니다. 이 페이지에서는 데이터 세트, 문제 유형, 예측할 대상 또는 레이블 열, 실험 실행을 평가하고 점수를 매기는 데 사용할 메트릭, 중지 조건을 지정하여 AutoML 프로세스를 구성합니다.

  3. 컴퓨팅 필드에서 Databricks Runtime ML을 실행하는 클러스터를 선택합니다.

  4. 데이터 세트에서 찾아보기를 선택합니다.

  5. 사용하려는 표로 이동하여 선택을 클릭합니다. 테이블 스키마가 나타납니다.

    • Databricks Runtime 10.3 ML 이상에서는 AutoML이 학습에 사용해야 하는 열을 지정할 수 있습니다. 데이터를 분할하기 위해 예측 대상 또는 시간 열로 선택한 열을 제거할 수 없습니다.
    • Databricks Runtime 10.4 LTS ML 이상에서는 다음으로 대체 드롭다운에서 선택하여 null 값을 대체하는 방법을 지정할 수 있습니다. 기본적으로 AutoML은 열 유형 및 콘텐츠를 기반으로 대치 메서드를 선택합니다.

    참고 항목

    기본값이 아닌 대치 메서드를 지정하면 AutoML이 의미 체계 유형 검색을 수행하지 않습니다.

  6. 예측 대상 필드를 클릭합니다. 스키마에 표시된 열을 나열하는 드롭다운이 나타납니다. 모델에서 예측할 열을 선택합니다.

  7. 실험 이름 필드에는 기본 이름이 표시됩니다. 변경하려면 필드에 새 이름을 입력합니다.

다음도 가능합니다.

고급 구성

이러한 매개 변수에 액세스하려면 고급 구성(선택 사항) 섹션을 엽니다.

  • 평가 메트릭은 실행 점수를 매기는 데 사용되는 기본 메트릭입니다.
  • Databricks Runtime 10.4 LTS ML 이상에서는 학습 프레임워크를 고려 대상에서 제외할 수 있습니다. 기본적으로 AutoML은 AutoML 알고리즘에 나열된 프레임워크를 사용하여 모델을 학습시킵니다.
  • 정지 조건을 편집할 수 있습니다. 기본 정지 조건은 다음과 같습니다.
    • 예측 실험의 경우 120분 후에 중지합니다.
    • Databricks Runtime 10.4 LTS ML 이하에서 분류 및 회귀 실험의 경우 60분 후 또는 200번의 시도를 완료한 후 중 더 빠른 시점에 중지합니다. Databricks Runtime 11.0 ML 이상의 경우 시도 횟수는 중지 조건으로 사용되지 않습니다.
    • Databricks Runtime 10.4 LTS ML 이상에서 분류 및 회귀 실험을 위해 AutoML은 조기 중지를 통합합니다. 유효성 검사 메트릭이 더 이상 개선되지 않으면 모델 학습 및 튜닝을 중지합니다.
  • Databricks Runtime 10.4 LTS ML 이상에서 학습, 유효성 검사 및 테스트를 위해 데이터를 시간순으로 분할하도록 선택할 time column 수 있습니다(분류 및 회귀에만 적용됨).
  • Databricks는 데이터 디렉터리 필드를 채웁니다. 이렇게 하면 데이터 세트를 MLflow 아티팩트로 안전하게 저장하는 기본 동작이 트리거됩니다. DBFS 경로를 지정할 수 있지만 이 경우 데이터 세트는 AutoML 실험의 액세스 권한을 상속하지 않습니다.

실험 실행 및 결과 모니터링

AutoML 실험을 시작하려면 AutoML 시작을 클릭합니다. 실험이 실행되기 시작하고 AutoML 학습 페이지가 나타납니다. 실행 테이블을 새로 고치려면 새로 고침 버튼를 클릭합니다.

실험 진행률 보기

이 페이지에서 다음을 수행할 수 있습니다.

  • 언제든지 실험을 중지합니다.
  • 데이터 탐색 Notebook을 엽니다.
  • 실행을 모니터링합니다.
  • 실행에 대한 실행 페이지로 이동합니다.

Databricks Runtime 10.1 ML 이상에서 AutoML은 지원되지 않는 열 유형 또는 높은 카디널리티 열과 같은 데이터 세트의 잠재적인 문제에 대한 경고를 표시합니다.

참고 항목

Databricks는 잠재적인 오류나 문제를 나타내기 위해 최선을 다합니다. 그러나 이는 포괄적이지 않을 수 있으며 검색할 수 있는 문제나 오류를 포착하지 못할 수 있습니다.

데이터 세트에 대한 경고를 보려면 학습 페이지 또는 실험이 완료된 후 실험 페이지에서 경고 탭을 클릭합니다.

AutoML 경고

결과 보기

실험이 완료되면 다음을 수행할 수 있습니다.

  • MLflow로 모델 중 하나를 등록 및 배포합니다.
  • 최상의 모델용 Notebook 보기를 선택하여 최상의 모델을 만든 Notebook을 검토하고 편집합니다.
  • 데이터 탐색 Notebook 보기를 선택하여 데이터 탐색 Notebook을 엽니다.
  • 런 테이블에서 런을 검색, 필터링 및 정렬합니다.
  • 모든 실행에 대한 세부 정보 보기:
    • 평가판 실행에 대한 소스 코드가 포함된 생성된 Notebook은 MLflow 실행을 클릭하여 찾을 수 있습니다. Notebook은 실행 페이지의 아티팩트 섹션에 저장됩니다. 작업 영역 관리자가 아티팩트 다운로드를 사용하도록 설정한 경우 이 Notebook을 다운로드하고 작업 영역으로 가져올 수 있습니다.
    • 실행 결과를 보려면 모델 열 또는 시작 시간 열을 클릭합니다. 모델을 포함하여 실행에 의해 만들어진 아티팩트 및 매개 변수, 메트릭 및 태그와 같은 시험 실행에 대한 정보를 보여 주는 실행 페이지가 나타납니다. 이 페이지에는 모델로 예측하는 데 사용할 수 있는 코드 조각도 포함되어 있습니다.

나중에 이 AutoML 실험으로 돌아가려면 실험 페이지의 표에서 찾습니다. 데이터 탐색 및 학습 Notebook을 포함한 각 AutoML 실험의 결과는 실험을 실행한 사용자의 홈 폴더에 있는 databricks_automl 폴더에 저장됩니다.

모델 등록 및 배포

AutoML UI를 사용하여 모델을 등록하고 배포할 수 있습니다.

  1. 등록할 모델의 모델 열에 있는 링크를 선택합니다. 실행이 완료되면 기본 메트릭을 기반으로 가장 적합한 모델이 맨 위 행입니다.
  2. 모델 등록 버튼를 선택하여 모델 레지스트리에 모델을 등록합니다.
  3. 사이드바에서 모델 아이콘 모델을 선택하여 모델 레지스트리로 이동합니다.
  4. 모델 테이블에서 모델 이름을 선택합니다.
  5. 등록된 모델 페이지에서 모델 서비스로 모델을 제공할 수 있습니다.

'pandas.core.indexes.numeric'이라는 모듈이 없습니다.

모델 제공과 함께 AutoML을 사용하여 빌드된 모델을 제공하는 경우 No module named 'pandas.core.indexes.numeric과 같은 오류가 발생할 수 있습니다.

이는 AutoML과 엔드포인트 환경을 제공하는 모델 간의 호환되지 않는 pandas 버전 때문입니다. add-pandas-dependency.py 스크립트를 실행하여 이 오류를 해결할 수 있습니다. 스크립트는 적절한 requirements.txt 종속성 버전 conda.yaml을 포함하도록 기록된 모델에 대한 pandas 및 pandas==1.5.3을 편집합니다.

  1. 모델이 기록된 MLflow 실행의 run_id을 포함하도록 스크립트를 수정합니다.
  2. 모델을 MLflow 모델 레지스트리에 다시 등록합니다.
  3. 새 버전의 MLflow 모델을 제공해 보세요.

다음 단계