다음을 통해 공유

ML.NET CLI 명령 참조

  • 아티클

classification, regression 및 recommendation 명령은 ML.NET CLI 도구에서 제공하는 주 명령입니다. 이 명령을 사용하면 AutoML(자동화된 Machine Learning)을 사용하여 분류, 회귀, 권장 사항 모델을 위한 좋은 품질의 ML.NET 모델과 해당 모델을 실행/채점할 예제 C# 코드를 생성할 수 있습니다. 또한 모델을 학습할 C# 코드를 생성하여 모델의 알고리즘과 설정을 조사할 수 있습니다.

참고 항목

이 문서에서는 현재 미리 보기 상태인 ML.NET CLI 및 ML.NET AutoML을 참조하며 자료는 변경될 수 있습니다.

개요

예제 사용법:

mlnet regression --dataset "cars.csv" --label-col price

mlnet ML 작업 명령(classification, regression, recommendation 및 forecasting)은 다음과 같은 자산을 생성합니다.

  • 사용 준비가 된 Serialize된 모델 .zip("최적 모델")
  • 생성된 모델을 실행/채점할 C# 코드입니다.
  • 해당 모델을 생성하기 위해 사용한 학습 코드가 포함된 C# 코드입니다.

처음 두 개의 자산은 ML 모델로 예측을 수행하기 위해 최종 사용자 앱(ASP.NET Core 웹앱, 서비스, 데스크톱 앱 등)에서 직접 사용할 수 있습니다.

세 번째 자산인 학습 코드는 사용자에게 생성된 모델을 학습하기 위해 CLI에서 사용한 ML.NET API 코드를 표시하므로, 사용자는 특정 알고리즘 및 모델 설정을 살펴볼 수 있습니다.

예제

분류 문제에 가장 간단한 CLI 명령(AutoML은 제공된 데이터에서 대부분의 구성을 추론):

mlnet classification --dataset "customer-feedback.tsv" --label-col Sentiment

회귀 문제에 대한 다른 간단한 CLI 명령:

mlnet regression --dataset "cars.csv" --label-col Price

학습 데이터 세트, 테스트 데이터 세트 및 추가 사용자 지정 명시적 인수로 분류 모델을 만들고 학습시킵니다.

mlnet classification --dataset "/MyDataSets/Population-Training.csv" --test-dataset "/MyDataSets/Population-Test.csv" --label-col "InsuranceRisk" --cache on --train-time 600

명령 옵션

mlnet ML 작업 명령(classification, regression, recommendation, forecasting 및 train)은 제공된 데이터 세트와 ML.NET CLI 옵션을 기반으로 여러 모델을 학습시킵니다. 이러한 명령은 또한 최상의 모델을 선택하고, 모델을 직렬화된 .zip 파일로 저장하고, 채점 및 학습을 위한 관련 C# 코드를 생성합니다.

분류 옵션

mlnet classification을 실행하면 분류 모델이 학습됩니다. ML 모델에서 데이터를 2개 이상의 클래스(예: 감정 분석)로 범주화하려면 이 명령을 선택합니다.

mlnet classification

--dataset <path> (REQUIRED)

--label-col <col> (REQUIRED)

--cache <option>

--has-header (Default: true)

--ignore-cols <cols>

--log-file-path <path>

--name <name>

-o, --output <path>

--test-dataset <path>

--train-time <time> (Default: 30 minutes, in seconds)

--validation-dataset <path>

-v, --verbosity <v>

-?, -h, --help

회귀 옵션

mlnet regression을 실행하면 회귀 모델이 학습됩니다. ML 모델에서 숫자 값을 예측(예: 가격 예측)하게 하려면 이 명령을 선택합니다.

mlnet regression

--dataset <path> (REQUIRED)

--label-col <col> (REQUIRED)

--cache <option>

--has-header (Default: true)

--ignore-cols <cols>

--log-file-path <path>

--name <name>

-o, --output <path>

--test-dataset <path>

--train-time <time> (Default: 30 minutes, in seconds)

--validation-dataset <path>

-v, --verbosity <v>

-?, -h, --help

권장 사항 옵션

mlnet recommendation을 실행하면 권장 사항 모델이 학습됩니다. ML 모델에서 등급(예: 제품 권장 사항)에 따라 사용자에게 항목을 추천하게 하려면 이 명령을 선택합니다.

mlnet recommendation

--dataset <path> (REQUIRED)

--item-col <col> (REQUIRED)

--rating-col <col> (REQUIRED)

--user-col <col> (REQUIRED)

--cache <option>

--has-header (Default: true)

--log-file-path <path>

--name <name>

-o, --output <path>

--test-dataset <path>

--train-time <time> (Default: 30 minutes, in seconds)

--validation-dataset <path>

-v, --verbosity <v>

-?, -h, --help

잘못된 입력 옵션으로 인해 CLI 도구는 유효한 입력 목록과 오류 메시지를 내보냅니다.

예측 옵션

mlnet forecasting을 실행하면 시계열 예측 모델이 학습됩니다. ML 모델이 기록 데이터(예: 판매 예측)를 기반으로 값을 예측하도록 하려면 이 명령을 선택합니다.

mlnet forecasting

--dataset <dataset> (REQUIRED)

--horizon <horizon> (REQUIRED)

--label-col <label-col> (REQUIRED)

--time-col <time-col> (REQUIRED)

--cache <Auto|Off|On>

--has-header

--log-file-path <log-file-path>

--name <name>

-o, --output <output>

--test-dataset <test-dataset>

--train-time <train-time>

-v, --verbosity <verbosity>

학습 옵션

mlnet train을 실행하면 Model Builder에서 생성된 "mbconfig" 파일을 기반으로 모델을 학습시킵니다. 이 명령이 작동하려면 학습 데이터가 "mbconfig" 파일과 동일한 디렉터리에 있어야 합니다.

-training-config <training-config> (REQUIRED)

--log-file-path <log-file-path>

-v, --verbosity <verbosity>

데이터 세트

--dataset | -d(문자열)

이 인수는 다음 옵션 중 하나에 대한 파일 경로를 제공합니다.

  • A: 전체 데이터 세트 파일: 이 옵션을 사용하고 사용자가 --test-dataset 및 --validation-dataset를 제공하지 않는 경우 교차 유효성 검사(k겹 등) 또는 자동화된 데이터 분할 접근 방식이 모델 유효성 검사를 위해 내부적으로 사용됩니다. 이 경우에 사용자는 데이터 세트 파일 경로를 제공해야 합니다.

  • B: 학습 데이터 세트 파일: 사용자가 모델 유효성 검사를 위한 데이터 세트도 제공하는 경우(--test-dataset 및 선택적으로 --validation-dataset 사용), --dataset 인수는 "학습 데이터 세트"만 갖는다는 것을 의미합니다. 예를 들어, 모델 품질의 유효성을 검사하고 정확도 메트릭을 획득하기 위해 80% - 20% 접근법을 사용할 경우 “학습 데이터 세트”는 데이터의 80%, “테스트 데이터 세트”는 데이터의 20%를 차지하게 됩니다.

테스트 데이터 세트

--test-dataset | -t(문자열)

테스트 데이터 세트 파일을 가리키는 파일 경로(예: 정확도 메트릭을 획득하기 위해 정규 유효성 검사 수행 시 80% - 20% 접근법을 사용하는 경우)

--test-dataset를 사용한다면 --dataset도 필요합니다.

--유효성 검사-데이터 세트가 사용되지 않을 경우 --test-dataset 인수는 옵션입니다. 이 경우, 사용자는 세 개의 인수를 사용해야 합니다.

유효성 검사 데이터 세트

--validation-dataset | -v(문자열)

유효성 검사 데이터 세트 파일을 가리키는 파일 경로입니다. 어떠한 경우에도 유효성 검사 데이터 세트는 옵션입니다.

validation dataset를 사용할 경우 동작은 다음과 같아야 합니다.

  • test-dataset 및 --dataset 인수도 필요합니다.

  • validation-dataset 데이터 세트는 모델 선택에 대한 예측 오류를 예상하기 위해 사용됩니다.

  • test-dataset는 최종 선택된 모델의 일반화 오류를 평가하는 데 사용됩니다. 이상적으로, 테스트 세트는 “자격 증명 모음”에 보관되어야 하며 데이터 분석이 끝날 때만 꺼내야 합니다.

기본적으로 validation dataset 및 test dataset를 사용할 경우 유효성 검사 단계는 다음 두 부분으로 나뉩니다.

  1. 첫 번째 부분에서는 모델을 살펴 보고 유효성 검사 데이터(=유효성 검사)를 사용하는 가장 효과적인 접근법을 선택합니다.
  2. 그런 다음, 선택한 접근법의 정확도를 추정합니다(=테스트).

따라서 데이터는 80/10/10 또는 75/15/10으로 분리될 수 있습니다. 예시:

  • training-dataset 파일에는 데이터의 75%가 있어야 합니다.
  • validation-dataset 파일에는 데이터의 15%가 있어야 합니다.
  • test-dataset 파일에는 데이터의 10%가 있어야 합니다.

어떠한 경우에도 이러한 백분율은 이미 분할된 파일을 제공할 CLI를 사용하는 사용자가 결정합니다.

레이블 열

--label-col(int 또는 문자열)

이 인수를 사용하면 특정 목표/대상 열(예측하려는 변수)은 데이터 세트 헤더에 설정된 열 이름이나 데이터 세트 파일에서 열의 숫자 인덱스(열 인덱스 값은 0에서 시작)를 사용하여 지정할 수 있습니다.

이 인수는 ‘분류’ 및 ‘회귀’ 문제에 사용됩니다.

항목 열

--item-col(int 또는 문자열)

항목 열에는 사용자가 평가하는 항목(사용자에게 권장되는 항목)의 목록이 있습니다. 이 열은 데이터 세트 헤더에 설정된 열 이름이나 데이터 세트 파일에서 열의 숫자 인덱스(열 인덱스 값은 0에서 시작)를 사용하여 지정할 수 있습니다.

이 인수는 ‘권장 사항’ 작업에만 사용됩니다.

등급 열

--rating-col(int 또는 문자열)

등급 열에는 사용자가 항목에 부여하는 등급의 목록이 있습니다. 이 열은 데이터 세트 헤더에 설정된 열 이름이나 데이터 세트 파일에서 열의 숫자 인덱스(열 인덱스 값은 0에서 시작)를 사용하여 지정할 수 있습니다.

이 인수는 ‘권장 사항’ 작업에만 사용됩니다.

사용자 열

--user-col(int 또는 문자열)

사용자 열에는 항목에 등급을 부여하는 사용자의 목록이 있습니다. 이 열은 데이터 세트 헤더에 설정된 열 이름이나 데이터 세트 파일에서 열의 숫자 인덱스(열 인덱스 값은 0에서 시작)를 사용하여 지정할 수 있습니다.

이 인수는 ‘권장 사항’ 작업에만 사용됩니다.

열 무시

--ignore-columns(문자열)

이 인수를 사용하면 훈련 프로세스에서 로드되어 사용되지 않도록 데이터 세트 파일에서 기존 열을 무시할 수 있습니다.

무시하려는 열 이름을 지정합니다. ', '(공백이 있는 쉼표) 또는 ' '(공백)을 사용하여 여러 열 이름을 구분합니다. 공백이 있는 열 이름에 큰따옴표를 사용할 수 있습니다(예: "logged in").

예시:

--ignore-columns email, address, id, logged_in

헤더 있음

--has-header(bool)

데이터 세트 파일에 헤더 행이 있는지 지정합니다. 가능한 값은 다음과 같습니다.

  • true
  • false

사용자가 이 인수를 지정하지 않은 경우 ML.NET CLI에서 이 속성을 검색하려고 합니다.

학습 시간

--train-time(문자열)

기본적으로 최대 탐색/학습 시간은 30분입니다.

이 인수는 프로세스에서 여러 트레이너와 구성을 검색하는 최대 시간(초 단위)을 설정합니다. 단일 반복에 지정된 시간이 너무 짧을 경우(예를 들어 2초) 구성된 값이 초과될 수 있습니다. 이 경우에 실제 시간은 단일 반복에서 하나의 모델 구성을 생성하는 데 필요한 시간입니다.

반복에 필요한 시간은 데이터 세트의 크기에 따라 다를 수 있습니다.

캐시

--cache(문자열)

캐싱을 사용할 경우 전체 학습 데이터 세트는 메모리에 로드됩니다.

중소 규모의 데이터 세트의 경우, 캐시를 사용하면 학습 성능을 크게 개선할 수 있습니다. 즉, 캐시를 사용하지 않을 때보다 학습 시간을 단축할 수 있습니다.

단, 대규모 데이터 세트의 경우 메모리에 모든 데이터를 로드하면 메모리가 부족해져 좋지 않은 영향을 끼칠 수 있습니다. 대규모 데이터 세트 파일로 학습하고 캐시를 사용하지 않을 경우 ML.NET은 학습하는 동안 더 많은 데이터를 로드해야 할 때 드라이브에서 데이터 청크를 스트리밍하게 됩니다.

다음 값을 지정할 수 있습니다.

on: 학습 시 캐시를 사용하도록 강제 적용합니다. off: 학습 시 캐시를 사용하지 않도록 강제 적용합니다. auto: AutoML 추론에 따라 캐시는 사용되거나 사용되지 않습니다. 일반적으로, 중/소 규모의 데이터 세트는 캐시를 사용하고 대규모 데이터 세트는 사용자가 auto 선택을 사용할 경우 캐시를 사용하지 않습니다.

--cache 매개 변수를 지정하지 않는다면 캐시 auto 구성이 기본적으로 사용됩니다.

속성

--name(문자열)

생성된 출력 프로젝트 또는 솔루션의 이름입니다. 지정된 이름이 없을 경우 sample-{mltask}이 사용됩니다.

ML.NET 모델 파일(.ZIP 파일)도 같은 이름을 갖게 됩니다.

출력 경로

--output | -o(문자열)

생성된 출력을 저장할 루트 위치/폴더입니다. 기본값은 현재 디렉터리입니다.

Verbosity

--verbosity | -v(문자열)

표준 출력의 자세한 정도를 설정합니다.

허용된 값은 다음과 같습니다.

  • q[uiet]
  • m[inimal](기본값)
  • diag[nostic](로깅 정보 수준)

기본적으로 CLI 도구는 작동 중인지와 가능하다면 남은 시간 또는 완료된 시간 비율을 언급하는 등 일부 최소 피드백(minimal)을 표시해야 합니다.

도움말

-h |--help

각 명령의 매개 변수에 대한 설명과 함께 명령에 대한 도움말을 출력합니다.

참고 항목