의사 결정 포리스트 회귀 구성 요소
이 문서에서는 Azure Machine Learning 디자이너의 구성 요소에 대해 설명합니다.
이 구성 요소를 사용하여 의사 결정 트리의 앙상블을 기반으로 회귀 모델을 만듭니다.
모델을 구성한 후에는 레이블이 지정된 데이터 세트와 모델 학습 구성 요소를 사용하여 모델을 학습시켜야 합니다. 그러면 학습된 모델을 예측에 사용할 수 있습니다.
작동 방법
의사 결정 트리는 리프 노드(의사 결정)에 도달할 때까지 이진 트리 데이터 구조를 트래버스하며 각 인스턴스에 대해 일련의 간단한 테스트를 수행하는 비파라메트릭 모델입니다.
의사 결정 트리를 사용하는 경우의 이점은 다음과 같습니다.
학습 및 예측 중에 계산과 메모리 사용량 측면에서 모두 효율적입니다.
비선형 의사 결정 경계를 표시할 수 있습니다.
통합 기능 선택 및 분류를 수행하며 불필요한 데이터가 많은 기능이 있는 경우 복원이 가능합니다.
이 회귀 모델은 의사 결정 트리의 앙상블로 구성되어 있습니다. 의사 결정 포리스트의 각 트리는 예측으로 가우스 분포를 출력합니다. 모델의 모든 트리에 대한 결합 분포에 가장 가까운 가우스 분포를 찾기 위해 트리 앙상블에 대해 집계가 수행됩니다.
이 알고리즘 및 해당 구현의 이론적 프레임워크에 대한 자세한 내용은 의사 결정 포리스트: 분류, 회귀, 밀도 추정, 매니폴드 학습 및 반감독 학습을 위한 통합 프레임워크 문서를 참조하세요.
의사 결정 포리스트 회귀 모델을 구성하는 방법
파이프라인에 의사 결정 포리스트 회귀 구성 요소를 추가합니다. 디자이너의 Machine Learning, 모델 초기화 및 회귀에서 구성 요소를 찾을 수 있습니다.
구성 요소 속성을 열고 다시 만들기 방법에 대해 개별 트리를 만드는 데 사용되는 방법을 선택합니다. 모음 만들기 또는 복제 중에서 선택할 수 있습니다.
모음 만들기: 모음 만들기는 부트스트랩 집계라고도 합니다. 의사 결정 포리스트의 각 트리는 예측을 통해 가우스 분포를 출력합니다. 집계는 처음 두 모멘트가 개별 트리에서 반환된 모든 분포를 결합하여 주어진 가우스 분포의 혼합 모멘트와 일치하는 가우스를 찾는 것입니다.
자세한 내용은 부트스트랩 집계에 대한 Wikipedia 항목을 참조하세요.
복제: 복제에서 각 트리는 정확히 동일한 입력 데이터에 대해 학습됩니다. 각 트리 노드에 사용되는 분할 조건자의 결정은 무작위로 유지되며 트리는 다양합니다.
복제 옵션을 사용한 학습 과정에 대한 자세한 내용은 Computer Vision 및 의료 이미지 분석을 위한 의사 결정 포리스트. Criminisi 및 J. Shotton. Springer 2013.을 참조하세요.
트레이너 모드 만들기 옵션을 설정하여 모델을 학습시킬 방법을 지정합니다.
단일 매개 변수입니다.
모델을 어떻게 구성할지 아는 경우 특정 값 집합을 인수로 제공할 수 있습니다. 실험을 통해 이러한 값을 알았거나 지침으로 받았을 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.
의사 결정 트리 수는 앙상블에서 생성할 총 의사 결정 트리 수를 나타냅니다. 추가 의사 결정 트리를 만들면 적용 범위가 확대될 수 있지만 학습 시간이 증가됩니다.
팁
그러나 값을 1로 설정하는 경우 하나의 트리(초기 매개 변수 세트가 있는 트리)만 생성되고 더 이상의 반복이 수행되지 않음을 의미합니다.
의사 결정 트리의 최대 깊이에 의사 결정 트리의 최대 깊이를 제한하는 숫자를 입력합니다. 트리의 수준을 늘리면 정밀도는 높아질 수 있지만 학습 시간이 더 길어지고 과잉 맞춤이 발생할 수 있습니다.
노드당 임의 분할 수에 트리의 각 노드를 작성할 때 사용할 분할 수를 입력합니다. 분할은 트리(노드)의 각 수준에 있는 기능이 무작위로 분할됨을 의미합니다.
리프 노드당 최소 샘플 수는 트리에서 터미널 노드(리프)를 만드는 데 필요한 최소 케이스 수를 나타냅니다.
이 값을 늘려 새 규칙을 작성하기 위한 임계값을 늘립니다. 예를 들어, 기본값이 1이면 단일 사례만으로도 새 규칙을 하나 작성할 수 있습니다. 값을 5로 늘리면 학습 데이터에 동일한 조건을 만족하는 사례가 다섯 개 이상 있어야 합니다.
모델 학습:
트레이너 모드 만들기를 단일 매개 변수로 설정하는 경우 태그가 지정된 데이터 세트와 모델 학습 구성 요소를 연결합니다.
트레이너 모드 만들기를 매개 변수 범위로 설정하는 경우 태그가 지정된 데이터 세트를 연결하고 모델 하이퍼 매개 변수 조정을 사용하여 모델을 학습시킵니다.
참고
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 변수에 대한 설정 범위를 예상할 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.
파이프라인을 제출합니다.
결과
학습 완료 후 다음이 수행됩니다.
- 학습된 모델의 스냅샷을 저장하려면 학습 구성 요소를 선택한 다음, 오른쪽 패널에서 출력 탭으로 전환합니다. 모델 등록 아이콘을 클릭합니다. 저장된 모델을 구성 요소 트리에서 구성 요소로 찾을 수 있습니다.
다음 단계
Azure Machine Learning에서 사용 가능한 구성 요소 집합을 참조하세요.