선형 회귀 구성 요소
이 문서에서는 Azure Machine Learning 디자이너의 구성 요소에 대해 설명합니다.
이 구성 요소를 사용하여 파이프라인에서 사용할 선형 회귀 모델을 만들 수 있습니다. 선형 회귀는 하나 이상의 독립 변수와 숫자 결과 또는 종속 변수 간에 선형 관계를 설정하려고 시도합니다.
이 구성 요소를 사용하여 선형 회귀 방법을 정의한 다음, 레이블이 지정된 데이터 세트를 사용하여 모델을 학습합니다. 그런 다음 학습된 모델을 사용하여 예측을 수행할 수 있습니다.
선형 회귀 정보
선형 회귀는 기계 학습에서 채택되고 선을 맞추고 오류를 측정하기 위한 많은 새로운 방법으로 향상된 일반적인 통계 방법입니다. 간단히 말해서, 회귀란 숫자 대상의 예측을 말합니다. 기본 예측 작업에 대한 간단한 모델을 원하는 경우 선형 회귀는 여전히 좋은 선택입니다. 선형 회귀는 복잡성이 부족한 고차원 스파스 데이터 집합에서도 잘 작동하는 경향이 있습니다.
Azure Machine Learning은 선형 회귀 외에도 다양한 회귀 모델을 지원합니다. 그러나 "회귀"라는 용어는 느슨하게 해석될 수 있으며 다른 도구에 제공된 일부 유형의 회귀는 지원되지 않습니다.
클래식 회귀 문제에는 단일 독립 변수와 종속 변수가 포함됩니다. 이를 단순 회귀라고 합니다. 이 구성 요소는 단순 회귀를 지원합니다.
‘다중 선형 회귀’에는 단일 종속 변수에 영향을 주는 둘 이상의 독립 변수가 포함됩니다. 단일 숫자 결과를 예측하는 데 여러 입력을 사용하는 문제를 다변량 선형 회귀라고도 합니다.
선형 회귀 분석 구성 요소는 대부분의 다른 회귀 분석 구성 요소와 마찬가지로 이러한 문제를 해결할 수 있습니다.
다중 레이블 회귀 는 단일 모델 내에서 여러 종속 변수를 예측하는 작업입니다. 예를 들어 다중 레이블 로지스틱 회귀에서 샘플을 여러 다른 레이블에 할당할 수 있습니다. 단일 클래스 변수 내에서 여러 수준을 예측하는 작업과 다릅니다.
이 유형의 회귀는 Azure Machine Learning에서 지원되지 않습니다. 여러 변수를 예측하려면 예측하려는 각 출력에 대해 별도의 학습자를 만듭니다.
수년 동안 통계학자들은 회귀를 위한 점점 더 진보된 방법을 개발해 왔습니다. 선형 회귀의 경우에도 마찬가지입니다. 이 구성 요소는 오차를 측정하고 회귀선에 맞추는 두 가지 방법인 최소자승법과 경사하강법을 지원합니다.
그라데이션 하강 은 모델 학습 프로세스의 각 단계에서 오류의 양을 최소화하는 방법입니다. 그라데이션 하강에는 다양한 변형이 있으며 다양한 학습 문제에 대한 최적화가 광범위하게 연구되었습니다. 솔루션 메서드에 대해 이 옵션을 선택하는 경우 다양한 매개 변수를 설정하여 단계 크기, 학습 속도 등을 제어할 수 있습니다. 이 옵션은 통합 매개 변수 스윕 사용도 지원합니다.
일반 최소 제곱 은 선형 회귀에서 가장 일반적으로 사용되는 기술 중 하나입니다. 예를 들어 최소 제곱은 Microsoft Excel용 분석 도구에서 사용되는 메서드입니다.
최소자승법은 실제 값에서 예측선까지 거리의 제곱 합으로 오류를 계산하고 제곱 오차를 최소화하여 모델을 적합하게 하는 손실 함수를 나타냅니다. 이 방법에서는 입력과 종속 변수 간에 강력한 선형 관계가 있다고 가정합니다.
선형 회귀 구성
이 구성 요소는 다양한 옵션을 사용하여 회귀 모델에 맞추는 두 가지 방법을 지원합니다.
-
작은 데이터 세트의 경우 일반 최소 제곱을 선택하는 것이 가장 좋습니다. 이렇게 하면 Excel과 비슷한 결과가 표시됩니다.
-
그라데이션 하강은 더 복잡하거나 변수 수를 감안할 때 학습 데이터가 너무 적은 모델에 대한 더 나은 손실 함수입니다.
최소 제곱을 사용하여 회귀 모델 만들기
디자이너에서 선형 회귀 모델 구성 요소를 파이프라인에 추가합니다.
이 구성 요소는 Machine Learning 범주에서 찾을 수 있습니다. 모델 초기화, 회귀를 차례로 펼친 다음, 선형 회귀 모델 구성 요소를 파이프라인으로 끌어옵니다.
속성 창의 솔루션 메서드 드롭다운 목록에서 일반 최소 제곱을 선택합니다. 이 옵션은 회귀선을 찾는 데 사용되는 계산 방법을 지정합니다.
L2 정규화 가중치에서 L2 정규화의 가중치로 사용할 값을 입력합니다. 과잉 맞춤을 방지하려면 0이 아닌 값을 사용하는 것이 좋습니다.
정규화가 모델 맞춤에 미치는 영향에 대한 자세한 내용은 다음 문서를 참조하세요. Machine Learning을 위한 L1 및 L2 정규화
절편에 대한 용어를 보려면 절편 용어 포함 옵션을 선택합니다.
회귀 수식을 검토할 필요가 없는 경우에는 이 옵션의 선택을 취소합니다.
난수 시드의 경우 선택적으로 모델에 사용되는 난수 생성기를 시드할 값을 입력할 수 있습니다.
시드 값을 사용하는 것은 동일한 파이프라인의 여러 실행에서 동일한 결과를 유지하려는 경우에 유용합니다. 그렇지 않으면 기본값은 시스템 클록의 값을 사용하는 것입니다.
모델 학습 구성 요소를 파이프라인에 추가하고 레이블이 지정된 데이터 세트를 연결합니다.
파이프라인을 제출합니다.
일반 최소 제곱 모델의 결과
학습 완료 후:
- 예측을 수행하려면 새 값의 데이터 세트와 함께 학습된 모델을 모델 점수 매기기 구성 요소에 연결합니다.
온라인 그라데이션 하강을 사용하여 회귀 모델 만들기
디자이너에서 선형 회귀 모델 구성 요소를 파이프라인에 추가합니다.
이 구성 요소는 Machine Learning 범주에서 찾을 수 있습니다. 모델 초기화, 회귀를 차례로 펼친 다음, 선형 회귀 모델 구성 요소를 파이프라인으로 끌어옵니다.
속성 창의 솔루션 메서드 드롭다운 목록에서 회귀선을 찾는 데 사용되는 계산 방법으로 온라인 그라데이션 하강을 선택합니다.
트레이너 만들기 모드의 경우 미리 정의된 매개 변수 집합을 사용하여 모델을 학습시킬지 또는 매개 변수 스윕을 사용하여 모델을 최적화할지 여부를 나타냅니다.
단일 매개 변수: 선형 회귀 네트워크 구성 방법을 알고 있는 경우 특정 값 세트를 인수로 제공할 수 있습니다.
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 최적의 결과를 생성하는 하이퍼 매개 변수를 확인합니다.
학습 속도의 경우 확률적 그라데이션 하강 최적화 프로그램의 초기 학습 속도를 지정합니다.
학습 Epoch 수의 경우 알고리즘이 예제를 반복해야 하는 횟수를 나타내는 값을 입력합니다. 예제 수가 적은 데이터 세트의 경우 수렴에 도달하려면 이 숫자가 커야 합니다.
기능 정규화: 모델을 학습하는 데 사용되는 숫자 데이터를 이미 정규화한 경우 이 옵션을 선택 취소할 수 있습니다. 기본적으로 이 구성 요소는 모든 숫자 입력을 0에서 1 사이의 범위로 정규화합니다.
참고 항목
채점에 사용되는 새 데이터에 동일한 정규화 방법을 적용해야 합니다.
L2 정규화 가중치에서 L2 정규화의 가중치로 사용할 값을 입력합니다. 과잉 맞춤을 방지하려면 0이 아닌 값을 사용하는 것이 좋습니다.
정규화가 모델 맞춤에 미치는 영향에 대한 자세한 내용은 다음 문서를 참조하세요. Machine Learning을 위한 L1 및 L2 정규화
반복이 진행됨에 따라 학습 속도를 낮출 수 있도록 하려면 이 옵션을 선택합니다.
난수 시드의 경우 선택적으로 모델에 사용되는 난수 생성기를 시드할 값을 입력할 수 있습니다. 시드 값을 사용하는 것은 동일한 파이프라인의 여러 실행에서 동일한 결과를 유지하려는 경우에 유용합니다.
모델을 학습시킵니다.
트레이너 모드 만들기를 단일 매개 변수로 설정하는 경우 태그가 지정된 데이터 세트와 모델 학습 구성 요소를 연결합니다.
트레이너 만들기 모드를 매개 변수 범위로 설정하는 경우 태그가 지정된 데이터 세트를 연결하고 모델 하이퍼 매개 변수 조정을 사용하여 모델을 학습시킵니다.
참고 항목
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 변수의 설정 범위를 예상할 때 해당 값을 무시하고 학습자의 기본값을 사용합니다.
매개 변수 범위 옵션을 선택하고 임의 매개 변수에 대해 단일 값을 입력하면 다른 매개 변수가 값 범위에서 변경되는 경우에도 지정한 단일 값이 스윕 전체에서 사용됩니다.
파이프라인을 제출합니다.
온라인 그라데이션 하강 결과
학습 완료 후:
- 예측을 수행하려면 새 입력 데이터와 함께 학습된 모델을 모델 점수 매기기 구성 요소에 연결합니다.
다음 단계
Azure Machine Learning에서 사용 가능한 구성 요소 집합을 참조하세요.