열 변환 선택
중요
Machine Learning Studio(클래식)에 대한 지원은 2024년 8월 31일에 종료됩니다. 해당 날짜까지 Azure Machine Learning으로 전환하는 것이 좋습니다.
2021년 12월 1일부터 새로운 Machine Learning Studio(클래식) 리소스를 만들 수 없습니다. 2024년 8월 31일까지는 기존 Machine Learning Studio(클래식) 리소스를 계속 사용할 수 있습니다.
- ML Studio(클래식)에서 Azure Machine Learning으로 기계 학습 프로젝트 이동에 대한 정보를 참조하세요.
- Azure Machine Learning에 대한 자세한 정보.
ML Studio(클래식) 설명서는 사용 중지되며 나중에 업데이트되지 않을 수 있습니다.
지정된 데이터 세트와 동일한 열 하위 집합을 선택하는 변환을 만듭니다.
범주: 데이터 변환/조작
이 문서에서는 Machine Learning Studio(클래식)에서 열 변환 선택 모듈을 사용하는 방법을 설명합니다. 열 변환 선택 모듈의 목적은 예측 가능하고 일관된 열 집합이 항상 다운스트림 기계 학습 작업에 사용되도록 하는 것입니다.
이 모듈은 특정 열이 필요한 채점과 같은 작업에 특히 유용합니다. 사용 가능한 열을 변경하면 실험이 중단되거나 결과가 변경될 수 있습니다.
열 선택 변환을 사용하여 열 집합을 만들고 저장합니다. 그런 다음 변환 적용 모듈을 사용하여 이러한 선택 사항을 새 데이터에 적용합니다.
열 변환 선택을 사용하는 방법
이 시나리오에서는 기능 선택을 사용하여 모델 학습에 사용할 동적 열 집합을 생성하려고 한다고 가정합니다. 점수 매기기 프로세스에 대해 열 선택 항목이 동일한지 확인하려면 열 변환 모듈을 사용하여 열 선택을 캡처하고 실험의 다른 곳에 적용합니다.
Studio(클래식)에서 실험에 입력 데이터 세트를 추가합니다.
필터 기반 기능 선택 인스턴스를 추가합니다.
모듈을 커넥트 입력 데이터 세트에서 몇 가지 최상의 기능을 자동으로 찾도록 기능 선택 모듈을 구성합니다.
모델 학습 인스턴스를 추가하고 필터 기반 기능 선택의 출력을 학습 입력으로 사용합니다.
중요
기능 중요도는 열의 값에 따라 결정되므로 학습 모델에 입력할 수 있는 열을 미리 알 수 없습니다.
이제 열 변환 선택 모듈의 인스턴스를 연결합니다.
이렇게 하면 열 선택을 다른 데이터 세트에 저장하거나 적용할 수 있는 변환으로 생성됩니다. 이 단계에서는 기능 선택으로 식별된 열을 다른 모듈에서 다시 사용할 수 있도록 저장합니다.
모델 점수 매기기 모듈을 추가합니다.
입력 데이터 세트를 연결하지 마세요.
대신 변환 적용 모듈을 추가하고 기능 선택 변환의 출력을 연결합니다.
중요
점수 매기기 데이터 세트에 필터 기반 기능 선택을 적용하고 동일한 결과를 얻을 것으로 예상할 수 없습니다. 기능 선택은 값을 기반으로 하므로 점수 매기기 작업이 실패하는 다른 열 집합을 선택할 수 있습니다.
실험을 실행합니다.
열 선택을 저장한 다음 적용하는 이 프로세스를 통해 동일한 데이터 스키마를 학습 및 점수 매기기에 사용할 수 있습니다.
예
이 모듈을 사용하는 방법에 대한 예제는 Azure AI 갤러리를 참조하세요.
열 변환 선택: 이 모듈을 사용하는 전체 연습입니다.
기능 필터링 및 점수 매기기 입력에서 제거: 이 실험을 작업 영역에 저장하여 전체 실험 워크플로에서 모듈이 어떻게 사용되는지 확인합니다.
예상 입력
| Name | 유형 | 설명 |
|---|---|---|
| 원하는 열이 있는 데이터 세트 | 데이터 테이블 | 원하는 열 집합이 포함된 데이터 세트 |
출력
| Name | 유형 | 설명 |
|---|---|---|
| 열 선택 변환 | ITransform 인터페이스 | 지정된 데이터 세트와 동일한 열 하위 집합을 선택하는 변환입니다. |
예외
| 예외 | 설명 |
|---|---|
| 오류 0003 | 하나 이상의 입력이 null이거나 비어 있으면 예외가 발생합니다. |