2클래스 의사 결정 정글
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.
의사 결정 정글 알고리즘을 사용하여 2클래스 분류 모델 만들기
범주: Machine Learning/모델 초기화/분류
모듈 개요
이 문서에서는 Machine Learning Studio(클래식)에서 2클래스 의사 결정 정글 모듈을 사용하여 의사 결정 정글이라는 감독된 앙상블 학습 알고리즘을 기반으로 하는 기계 학습 모델을 만드는 방법을 설명합니다.
2클래스 의사 결정 정글 모듈은 학습되지 않은 분류자를 반환합니다. 그런 다음 모델 학습 또는 모델 하이퍼 매개 변수 조정을 사용하여 레이블이 지정된 학습 데이터 집합에서 이 모델을 학습시킵니다. 그러면 학습된 모델을 예측에 사용할 수 있습니다.
의사 결정 정글에 대한 자세한 정보
의사 결정 정글은의사 결정 포리스트의 최근 확장입니다. 의사 결정 정글은 의사 결정 DAG(방향성 비순환 그래프) 앙상블로 구성됩니다.
의사 결정 정글을 사용하는 경우의 이점은 다음과 같습니다.
트리 분기를 병합할 수 있게 함으로써 의사 결정 DAG는 학습 시간이 다소 길어지더라도 일반적으로 의사 결정 트리보다 메모리 공간이 적고 일반화 성능이 향상됩니다.
의사 결정 정글은 비선형 의사 결정 경계를 나타낼 수 있는 비파라메트릭 모델입니다.
통합 기능 선택 및 분류를 수행하며 불필요한 데이터가 많은 기능이 있는 경우 복원이 가능합니다.
팁
이 기계 학습 알고리즘의 연구에 대한 자세한 내용은 의사 결정 정글: 압축 및 다양한 분류 모델 (다운로드 가능한 PDF)을 참조하세요.
Two-Class 의사 결정 정글을 구성하는 방법
Studio(클래식)에서 실험에 2클래스 의사 결정 정글 모듈을 추가합니다.
재샘플링 방법의 경우 개별 트리를 만드는 데 사용되는 방법을 선택합니다. 모음 만들기 또는 복제를 선택할 수 있습니다.
배깅: 부트스트랩 집계라고도 하는 배깅을 사용하려면 이 옵션을 선택합니다.
의사 결정 정글의 각 트리는 가우시안 분포를 예측으로 출력합니다. 집계는 처음 두 순간이 개별 나무에 의해 반환 된 모든 가우스를 결합하여 주어진 가우스의 혼합물의 순간과 일치하는 가우시안을 찾는 것입니다.
복제: 복제에서 각 트리는 정확히 동일한 입력 데이터에 대해 학습됩니다. 각 트리 노드에 사용되는 분할 조건자의 결정은 임의로 유지되며 트리는 다양합니다.
자세한 내용은 Computer Vision 및 의료 이미지 분석에 대한 의사 결정 포리스트를 참조하세요. 크리미니시와 J. 샷턴. Springer 2013.
트레이너 모드 만들기 옵션을 설정하여 모델을 학습시키려는 방법을 지정합니다.
단일 매개 변수: 모델을 어떻게 구성하려는지 아는 경우 특정 값 집합을 인수로 제공할 수 있습니다.
매개 변수 범위: 최상의 매개 변수를 잘 모르는 경우 여러 값을 지정하고 모델 하이퍼 매개 변수 조정 모듈을 사용하여 최적의 구성을 찾아 최적의 매개 변수를 찾을 수 있습니다. 트레이너는 사용자가 제공한 설정의 여러 조합을 반복하고 최상의 모델을 생성하는 값의 조합을 결정합니다.
의사 결정 DAG의 경우 앙상블에서 만들 수 있는 최대 그래프 수를 나타냅니다.
의사 결정 DAG의 최대 깊이는 각 그래프의 최대 깊이를 나타냅니다.
의사 결정 DAG의 최대 너비에 대해 각 그래프의 최대 너비를 나타냅니다.
의사 결정 DAG 계층당 최적화 단계 수에서 각 DAG를 빌드할 때 수행할 데이터에 대한 반복 수를 나타냅니다.
범주 기능의 알 수 없는 값 허용 옵션을 선택하여 테스트 또는 유효성 검사 데이터에서 알 수 없는 값에 대한 그룹을 만듭니다.
선택을 취소하면 모델에서 학습 데이터에 포함된 값만 수락할 수 있습니다. 이 옵션을 선택한 경우 알려진 값에 대한 모델의 정확도가 떨어질 수 있지만, 새로운(알 수 없는) 값의 예측 정확도를 높일 수 있습니다.
실험에 태그가 지정된 데이터 세트를 추가하고 학습 모듈 중 하나를 연결합니다.
트레이너 모드 만들기를 단일 매개 변수로 설정한 경우 모델 학습 모듈을 사용합니다.
트레이너 모드 만들기를 매개 변수 범위로 설정한 경우 모델 하이퍼 매개 변수 튜닝 모듈을 사용합니다.
참고
모델 학습에 매개 변수 범위를 전달하면 매개 변수 범위 목록의 첫 번째 값만 사용됩니다.
단일 매개 변수 값 세트를 모델 하이퍼 매개 변수 튜닝 모듈에 전달하는 경우 각 매개 변수에 대한 설정 범위를 요청할 때 해당 값을 무시하고 학습자에 대한 기본값을 사용합니다.
매개 변수 범위 옵션을 선택하고 임의 매개 변수의 단일 값을 입력하는 경우 다른 매개 변수가 값 범위에서 변경되더라도 지정한 단일 값은 스윕 전체에서 사용됩니다.
결과
학습 완료 후 다음이 수행됩니다.
- 점수 매기기를 위해 모델을 사용하려면 모델을 점수 매기기 모델에 연결하여 새 입력 예제의 값을 예측합니다.
예
기계 학습에서 의사 결정 정글을 사용하는 방법의 예는 Azure AI 갤러리를 참조하세요.
- 이진 분류자 비교: 여러 알고리즘을 사용하고 장단점을 설명합니다.
기술 정보
이 섹션에는 구현 세부 정보, 팁, 자주 묻는 질문에 대한 답변이 포함되어 있습니다.
사용 팁
데이터가 제한되어 있거나 모델 학습에 소요된 시간을 최소화하려면 다음 설정을 사용해 보세요.
제한된 학습 집합
학습 집합이 작은 경우:
- 많은 수의 의사 결정 DAG(예: 20개 이상)를 사용하여 의사 결정 정글을 만듭니다.
- 다시 만들기에 모음 만들기 옵션을 사용합니다.
- DAG 계층당 많은 수의 최적화 단계(예: 10,000개 이상)를 지정합니다.
제한된 학습 시간
학습 집합이 크지만 학습 시간이 제한된 경우:
- 더 적은 수의 의사 결정 DAG(예: 5-10개)를 사용하여 의사 결정 정글을 만듭니다.
- 다시 만들기에 복제 옵션을 사용합니다.
- DAG 계층당 더 적은 수의 최적화 단계(예: 2,000개 미만)를 지정합니다.
모듈 매개 변수
| Name | 범위 | Type | 기본값 | 설명 |
|---|---|---|---|---|
| 다시 만들기 방법 | 모두 | ResamplingMethod | 모음 만들기 | 다시 만들기 방법을 선택합니다. |
| 의사 결정 DAG의 수 | >=1 | 정수 | 8 | 앙상블에서 작성할 의사 결정 그래프의 수를 지정합니다. |
| 의사 결정 DAG의 최대 수준 | >=1 | 정수 | 32 | 앙상블에서 의사 결정 그래프의 최대 수준을 지정합니다. |
| 의사 결정 DAG의 최대 너비 | >=8 | 정수 | 128 | 앙상블에서 의사 결정 그래프의 최대 너비를 지정합니다. |
| 의사 결정 DAG 계층당 최적화 단계 수 | >=1000 | 정수 | 2048 | 의사 결정 그래프에서 각 수준의 최적화에 사용할 단계 수를 지정합니다. |
| 범주 기능에서 알 수 없는 값 허용 | 모두 | 부울 | True | 기존 범주 기능의 알 수 없는 값을 새 추가 기능에 매핑할 수 있는지 여부를 나타냅니다. |
출력
| Name | 유형 | 설명 |
|---|---|---|
| 학습되지 않은 모델 | ILearner 인터페이스 | 학습되지 않은 이진 분류 모델입니다. |