R 모델 만들기

• 05/06/2019
• 읽는 데 15분 걸림
• • x
  • o

사용자 지정 리소스를 사용하여 R 모델 만들기

범주: 데이터 변환/조작

모듈 개요

이 문서에서는 Azure Machine Learning Studio (클래식)에서 r 모델 만들기 모듈을 사용 하 여 r 스크립트에서 학습 되지 않은 모델을 만드는 방법을 설명 합니다.

Azure Machine Learning 환경의 R 패키지에 포함 된 모든 학습자 모델을 기반으로 할 수 있습니다.

모델을 만든 후에는 모델 학습 을 사용 하 여 Azure Machine Learning의 다른 학습자 같은 데이터 집합에 대 한 모델 학습을 수행할 수 있습니다. 모델을 사용 하 여 예측을 만드는 학습 된 모델을 점수 매기기 모델 에 전달할 수 있습니다. 그런 다음 학습된 모델을 저장할 수 있으며 점수 매기기 워크플로를 웹 서비스로 게시할 수 있습니다.

R 모델 만들기 를 사용 하 여 사용자 지정 r 모듈을 저장 하 고 다시 사용 하는 것 외에도 r을 사용 하 여 모델링 및 데이터 관리 프로세스의 고유한 구현을 만들고, 압축 형식으로 파일을 작업 영역에 업로드 한 다음 사용자 지정 모듈로 패키지를 등록할 수 있습니다. 자세한 내용은 사용자 지정 R 모듈을 참조 하세요.

R 모델 만들기를 구성 하는 방법

이 모듈을 사용 하려면 R에 대 한 중급 또는 전문 지식이 필요 합니다. 이 모듈은 Azure Machine Learning에 이미 설치 된 R 패키지에 포함 된 모든 학습자의 사용을 지원 합니다.

Azure AI Gallery 의이 샘플은 인기 있는 패키지를 사용 하 여 2 클래스 naive Bayes 분류자를 구현 e1070 합니다. + Create R Model. 예제를 작업 영역에 복사 하 고 따라 작업을 수행 하는 것이 좋습니다.

1. 실험에 R 모델 만들기, 모델 학습, 모델 점수 매기기모듈을 추가 합니다.

2. R 모델 만들기 의 속성 창에서 다음 스크립트를 제공 합니다.

   • 강사 r 스크립트: 여기에서 제공 하는 r 스크립트는 모델을 학습 하는 데 사용 됩니다. 실험을 실행 하면 모델 학습 모듈에 배포 됩니다.

   • Scorer r 스크립트:이 입력에 대해 제공 하는 r 스크립트는 점수 매기기 전용입니다. 실험을 실행 하면 모델 점수 매기기 모듈에 배포 됩니다.

3. 샘플 실험에는 모델 평가를 위한 그래프를 그리는 데 사용 되는 Python 스크립트 실행 모듈도 포함 되어 있습니다. 이 모듈은 웹 서비스에 게시할 때 선택 사항 이지만 실험을 개발할 때 유용 합니다.

   • Python 스크립트에서 차트를 보려면 Python 모듈을 마우스 오른쪽 단추로 클릭 하 고 Python 장치 를 선택한 다음 시각화 를 선택 합니다.
   • 모델 메트릭만 보려면 Python 모듈을 마우스 오른쪽 단추로 클릭 하 고 Python 데이터 집합 을 선택한 다음 시각화 를 선택 합니다.

   선택적 Python 모듈의 코드는 모델 평가를 위한 python 모듈을 참조 하세요.

학습 스크립트

다음 예제에서는 교육 담당자 R 스크립트 에서 사용할 수 있는 코드 형식을 보여 줍니다.

이 스크립트는 R 패키지를 로드 하 고, 패키지의 학습자를 사용 하 여 모델을 만들며, r 모델 만들기 에 제공 된 미리 정의 된 상수 및 함수를 사용 하 여 기능 및 레이블 열을 구성 합니다.

library(e1071)
features <- get.feature.columns(dataset)
labels   <- as.factor(get.label.column(dataset))
train.data <- data.frame(features, labels)
feature.names <- get.feature.column.names(dataset)
names(train.data) <- c(feature.names, "Class")
model <- naiveBayes(Class ~ ., train.data)

• 첫 번째 줄은 사용하려는 Naïve Bayes 분류자 알고리즘이 포함된 R 패키지, e1071 을 로드합니다. 이 패키지는 Azure 기계 학습 환경에 미리 설치된 패키지 중 하나이므로 패키지를 다운로드하거나 설치하지 않아도 됩니다.

• 다음 줄은 데이터 집합에서 기능 열과 레이블 열을 가져온 다음 라는 새 R 데이터 프레임으로 결합 합니다 train.data .

  features <- get.feature.columns(dataset)   
  labels <- as.factor(get.label.column(dataset))   
  train.data <- data.frame(features, labels)
  feature.names <- get.feature.column.names(dataset)
  

• 다음 미리 정의 된 함수를 사용 합니다.

  • get.label.columns()모델 학습 모듈에서 클래스 레이블로 선택 된 열을 반환 합니다.

  • get.feature.columns()데이터 집합에서 기능으로 지정 된 열을 선택 합니다.

    기본적으로 레이블 열을 제외한 모든 열은 Studio (클래식)의 기능으로 간주 됩니다. 따라서 특정 열을 기능으로 표시 하려면 메타 데이터 편집을 사용 하거나 R 스크립트 내에서 열 집합을 선택 합니다.

  • get.feature.column.names(dataset) 데이터 집합에서 기능 열 이름을 가져옵니다.

• 결합 된 데이터 집합의 이름은의 열 이름으로 지정 되며 train.data , 임시 이름이 Class 레이블 열에 대해 만들어집니다.

  names(train.data) <- c(feature.names, "Class")
  

• 코드의 마지막 줄은 데이터 프레임의 변수 (기능) 및 결과 (레이블)의 함수로 Naive Bayes 분류자 알고리즘을 정의 합니다 train.data .

  model <- naiveBayes(Class ~ ., train.data)
  

• 모델 만들기, 학습 및 점수 매기기 스크립트 전체에서 변수 이름을 사용 해야 합니다 model .

점수 매기기 스크립트

다음 코드는 Scorer r 스크립트 에서 제공 하는 r 코드의 형식을 보여 줍니다.

library(e1071)
probabilities <- predict(model, dataset, type="raw")[,2]
classes <- as.factor(as.numeric(probabilities >= 0.5))
scores <- data.frame(classes, probabilities)

• 첫 번째 줄은 패키지를 로드합니다.

• 두 번째 줄은 필요한 변수 이름으로 지정 된 학습 스크립트의 학습 된 모델을 사용 하 여 점수 매기기 데이터 집합에 대 한 예측 확률을 계산 합니다 model .

• 세 번째 줄은 예측된 클래스 레이블을 할당할 때 확률에 임계값을 0.5로 적용합니다.

• 마지막 줄에서는 클래스 레이블과 확률을 출력 데이터 프레임인 scores로 결합합니다.

• 모델 점수 매기기 모듈에 전달 되는 데이터 프레임에는 이름이 있어야 합니다 scores .

선택적 Python 평가 스크립트

Azure AI Gallery의 샘플 실험에는 모델 평가를 위한 메트릭 및 차트를 생성 하는 데 사용 되는 다음 Python 스크립트가 포함 되어 있습니다.

def azureml_main(dataframe):
    import matplotlib
    matplotlib.use("agg")
    
    from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_auc_score, roc_curve
    import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    
    scores = dataframe.ix[:, ("Class", "classes", "probabilities")]
    ytrue = scores["Class"]
    ypred = np.array([float(val) for val in scores["classes"]])    
    probabilities = scores["probabilities"]
    
    accuracy, precision, recall, auc = \
    accuracy_score(ytrue, ypred),\
    precision_score(ytrue, ypred),\
    recall_score(ytrue, ypred),\
    roc_auc_score(ytrue, probabilities)
    
    metrics = pd.DataFrame();
    metrics["Metric"] = ["Accuracy", "Precision", "Recall", "AUC"];
    metrics["Value"] = [accuracy, precision, recall, auc]

# Plot ROC Curve
    fpr, tpr, thresholds = roc_curve(ytrue, probabilities)
    fig = plt.figure()
    axis = fig.gca()
    axis.plot(fpr, tpr, linewidth=8)
    axis.grid("on")
    axis.set_xlabel("False positive rate")
    axis.set_ylabel("True positive rate")
    axis.set_title("ROC Curve")
    fig.savefig("roc.png")

    return metrics,

사용자 지정 R 모델 워크플로를 웹 서비스로 게시

실험을 실행 한 후에는 전체 실험을 웹 서비스로 게시할 수 있습니다.

Studio (클래식) 실험에서 웹 서비스를 만드는 방법에 대 한 업데이트 된 지침은 연습 5 단계: Azure Machine Learning 웹 서비스 배포 를 참조 하세요.

기본적으로 웹 서비스는 레이블 열을 포함하여 학습 데이터의 모든 입력 열이 제공될 것으로 예상합니다. 데이터 집합에서 입력 데이터 원본과 모델 점수 매기기 모듈 사이 에 있는 Select 열의 인스턴스를 추가 하 여 예측 하려는 레이블을 제외할 수 있습니다.

기술 정보

• R 모델 만들기 모듈은 Cran R만 사용 하도록 지원 합니다. 다른 버전의 R을 선택 하거나 Microsoft R Open을 사용할 수 없습니다.

• 모델은 모듈을 처음 실행하고 나면 캐시되고, 모듈은 입력 스크립트에 변경이 수행될 때까지 후속 실행에서 호출되지 않습니다. R 스크립트에서 다음 중 하나를 사용하는 경우 이 동작을 고려하세요.

  • 난수를 생성하는 함수
  • 난수를 생성하는 함수
  • 기타 비결정적 함수

• 이 모듈을 사용 하 여 만든 사용자 지정 R 모델은 다음 모듈에서 사용할 수 없습니다.

  • 모델 하이퍼 매개 변수 튜닝
  • 모델 교차 유효성 검사
  • OVA(One-vs-All) 다중 클래스
  • 서수 회귀

• R 모델은 자동으로 범주 데이터의 기능 표준화를 수행하거나 누락 값을 처리하지 않습니다. 이러한 변수를 처리하는 작업은 R 스크립트 학습 및 점수 매기기에서 수행해야 합니다.

미리 정의 된 함수의 표

미리 정의 된 상수 테이블

예제

기계 학습 실험에서이 모듈을 사용 하는 방법에 대 한 추가 예제는 Azure AI Gallery를 참조 하세요.

예상 입력

출력

참고 항목

R 스크립트 실행
R 언어 모듈