ML.NET은 무엇이며 어떻게 작동하나요?

ML.NET은 온라인 또는 오프라인 시나리오에서 .NET 애플리케이션에 기계 학습을 추가할 수 있는 기능을 제공합니다. 이 기능을 사용하여 애플리케이션에 사용 가능한 데이터를 사용하여 자동 예측할 수 있습니다. 기계 학습 애플리케이션은 명시적으로 프로그래밍하지 않아도 데이터의 패턴을 사용하여 예측합니다.

ML.NET의 핵심은 기계 학습 모델 입니다. 모델은 입력 데이터를 예측으로 변환하는 데 필요한 단계를 지정합니다. ML.NET를 사용하면 알고리즘을 지정하여 사용자 지정 모델을 학습하거나 미리 학습된 TensorFlow 및 ONNX 모델을 가져올 수 있습니다.

모델이 있는 경우, 애플리케이션에 이를 추가하여 예측할 수 있습니다.

ML.NET은 .NET Core를 사용하여 Windows, Linux 및 macOS에서 실행되거나 .NET Framework를 사용하여 Windows를 실행됩니다. 64비트는 모든 플랫폼에서 지원됩니다. 32비트는 TensorFlow, LightGBM 및 ONNX 관련 기능을 제외하고 Windows에서 지원됩니다.

ML.NET을 사용하여 수행할 수 있는 예측 유형은 다음과 같습니다.

분류/범주화

사용자 의견을 긍정 및 부정 범주로 자동으로 구분

회귀/연속 값 예측

크기 및 위치를 기준으로 주택 가격 예측

변칙 검색

사기성 은행 거래 감지

권장 사항

이전 구매에 따라 온라인 쇼핑객이 구매하려고 할 수 있는 제품 제안

시계열/순차 데이터

날씨/제품 판매 예측

이미지 분류

의료 이미지에서 병리학 분류

Hello ML.NET World

다음 코드 조각의 코드는 가장 단순한 ML.NET 애플리케이션을 보여줍니다. 이 예제에서는 집 크기 및 가격 데이터를 사용하여 주택 가격을 예측하도록 선형 회귀 모델을 구성합니다.

   using System;
   using Microsoft.ML;
   using Microsoft.ML.Data;

   class Program
   {
       public class HouseData
       {
           public float Size { get; set; }
           public float Price { get; set; }
       }

       public class Prediction
       {
           [ColumnName("Score")]
           public float Price { get; set; }
       }

       static void Main(string[] args)
       {
           MLContext mlContext = new MLContext();

           // 1. Import or create training data
           HouseData[] houseData = {
               new HouseData() { Size = 1.1F, Price = 1.2F },
               new HouseData() { Size = 1.9F, Price = 2.3F },
               new HouseData() { Size = 2.8F, Price = 3.0F },
               new HouseData() { Size = 3.4F, Price = 3.7F } };
           IDataView trainingData = mlContext.Data.LoadFromEnumerable(houseData);

           // 2. Specify data preparation and model training pipeline
           var pipeline = mlContext.Transforms.Concatenate("Features", new[] { "Size" })
               .Append(mlContext.Regression.Trainers.Sdca(labelColumnName: "Price", maximumNumberOfIterations: 100));

           // 3. Train model
           var model = pipeline.Fit(trainingData);

           // 4. Make a prediction
           var size = new HouseData() { Size = 2.5F };
           var price = mlContext.Model.CreatePredictionEngine<HouseData, Prediction>(model).Predict(size);

           Console.WriteLine($"Predicted price for size: {size.Size*1000} sq ft= {price.Price*100:C}k");

           // Predicted price for size: 2500 sq ft= $261.98k
       }
   }

코드 워크플로

다음 다이어그램은 반복적인 모델 개발 프로세스뿐만 아니라 애플리케이션 코드 구조를 나타냅니다.

  • 학습 데이터를 수집하여 IDataView 개체로 로드
  • 기능을 추출하고 기계 학습 알고리즘을 적용할 작업 파이프라인 지정
  • 파이프라인에서 Fit() 를 호출하여 모델 학습
  • 모델을 평가하고 반복하여 개선
  • 애플리케이션에서 사용할 수 있도록 모델을 이진 형식으로 저장
  • 모델을 ITransformer 개체로 다시 로드
  • CreatePredictionEngine.Predict() 를 호출하여 예측

데이터 생성, 파이프라인 개발, 모델 학습, 모델 평가 및 모델 사용에 대한 구성 요소를 포함한 ML.NET 애플리케이션 개발 흐름

이러한 개념을 좀 더 깊이 살펴 보겠습니다.

기계 학습 모델

ML.NET 모델은 예측된 출력에 도달하기 위해 입력 데이터에서 수행할 변형이 포함된 개체입니다.

Basic

가장 기본적인 모델은 위의 주택 가격 예에서와 같이 하나의 지속적인 수량이 다른 것과 비례하는 2차원 선형 회귀입니다.

편차와 가중치 매개 변수가 포함된 선형 회귀 모델

모델은 단순히 $Price = b + Size * w$입니다. 매개 변수 $b$ 및 $w$는 쌍 세트(크기, 가격)에 줄을 맞춰 추정됩니다. 모델의 매개 변수를 찾는 데 사용되는 데이터를 학습 데이터 라고 합니다. 이 기계 학습 모델의 입력을 특성(feature) 이라고 합니다. 이 예제에서는 $Size$가 유일한 특성입니다. 기계 학습 모델을 학습하는 데 사용하는 실측 자료(ground-truth) 값은 레이블 이라고 합니다. 여기에서는 학습 데이터 세트의 $Price$ 값이 레이블입니다.

더 복잡한

더 복잡한 모델은 거래 텍스트 설명을 사용하여 금융 거래를 범주로 분류합니다.

각 거래 설명은 중복되는 단어와 문자를 제거하고 단어와 문자 조합을 계산하여 일련의 기능으로 세분화됩니다. 기능 집합은 학습 데이터에서 범주 집합에 기반하여 선형 모델을 학습하는 데 사용됩니다. 새로운 설명이 학습 집합의 설명과 유사할수록 동일한 범주에 할당될 가능성이 커집니다.

텍스트 분류 모델

주택 가격 책정 모델 및 텍스트 분류 모델 둘 다 선형 모델입니다. 데이터의 성격과 해결하려는 문제에 따라, 결정 트리, 일반화된 부가 모델 등을 사용할 수도 있습니다. 작업에서 모델에 대해 더 자세히 알아볼 수 있습니다.

데이터 준비

대부분의 경우에서 사용자가 가지고 있는 사용 가능한 데이터는 기계 학습 모델을 학습하기 위해 직접 사용하기에는 적합하지 않습니다. 원시 데이터는 준비하거나 사전 처리되어야 모델의 매개 변수를 찾기 위해 사용할 수 있습니다. 데이터를 문자열 값에서 숫자 표현으로 변환해야 합니다. 사용자의 입력 데이터에서 중복되는 정보가 있을 수 있습니다. 입력 데이터의 크기를 축소 또는 확장해야 할 수 있습니다. 데이터를 정규화 또는 크기 조정해야 할 수 있습니다.

ML.NET 자습서는 특정 기계 학습 작업에 사용되는 텍스트, 이미지, 숫자 및 시계열 데이터에 대한 다른 데이터 처리 파이프라인에 대해 알려줍니다.

데이터 준비 방법은 데이터 준비를 더 일반적으로 적용하는 방법을 보여줍니다.

리소스 섹션에서 모든 사용 가능한 변환의 부록을 확인할 수 있습니다.

모델 평가

모델을 학습한 후에는 미래의 예측을 얼마나 잘 할지 어떻게 알까요? ML.NET를 사용하여 새로운 테스트 데이터를 기준으로 모델을 평가할 수 있습니다.

기계 학습 작업의 각 유형에는 테스트 데이터 세트를 기준으로 모델의 정확성 및 정밀도를 평가하는 데 사용하는 메트릭이 있습니다.

주택 가격 예의 경우 회귀 작업을 사용했습니다. 모델을 평가하려면 원래 샘플에 다음 코드를 추가합니다.

        HouseData[] testHouseData =
        {
            new HouseData() { Size = 1.1F, Price = 0.98F },
            new HouseData() { Size = 1.9F, Price = 2.1F },
            new HouseData() { Size = 2.8F, Price = 2.9F },
            new HouseData() { Size = 3.4F, Price = 3.6F }
        };

        var testHouseDataView = mlContext.Data.LoadFromEnumerable(testHouseData);
        var testPriceDataView = model.Transform(testHouseDataView);

        var metrics = mlContext.Regression.Evaluate(testPriceDataView, labelColumnName: "Price");

        Console.WriteLine($"R^2: {metrics.RSquared:0.##}");
        Console.WriteLine($"RMS error: {metrics.RootMeanSquaredError:0.##}");

        // R^2: 0.96
        // RMS error: 0.19

평가 메트릭은 오류가 낮은 수준이며 예측한 출력과 테스트 출력 간 상관 관계가 높다는 것을 알려줍니다. 이 과정은 아주 쉽습니다! 실제 사례에서는 훌륭한 모델 메트릭을 얻는 데 더 많은 튜닝이 필요합니다.

ML.NET 아키텍처

이 섹션에서는 ML.NET의 아키텍처 패턴을 살펴봅니다. 숙련된 .NET 개발자라면 이러한 패턴의 일부는 익숙하고 일부는 덜 익숙해집니다. 자세히 살펴보는 동안 긴장을 놓지 마세요!

ML.NET 애플리케이션은 MLContext 개체로 시작합니다. 이 싱글톤 개체는 카탈로그 를 포함합니다. 카탈로그는 데이터 로드 및 저장, 변환, 트레이너, 모델 작동 구성 요소를 위한 팩터리입니다. 각 카탈로그 개체마다 다른 유형의 구성 요소를 만드는 메서드가 있습니다.

데이터 로드 및 저장

데이터 준비

학습 알고리즘

이진 분류

다중 클래스 분류

변칙 검색

클러스터링

예측

순위 지정

재발

권장

Microsoft.ML.Recommender NuGet 패키지를 추가합니다.

TimeSeries

Microsoft.ML.TimeSeries NuGet 패키지를 추가합니다.

모델 사용

위의 각 범주에서 만들기 메서드로 이동할 수 있습니다. 카탈로그는 Visual Studio를 사용하여 IntelliSense를 통해 나타납니다.

회귀 트레이너용 Intellisense

파이프라인 빌드

각 카탈로그 내에는 확장 메서드의 집합이 있습니다. 확장 메서드를 사용하여 학습 파이프라인을 만드는 방법을 살펴 보겠습니다.

    var pipeline = mlContext.Transforms.Concatenate("Features", new[] { "Size" })
        .Append(mlContext.Regression.Trainers.Sdca(labelColumnName: "Price", maximumNumberOfIterations: 100));

코드 조각에서 ConcatenateSdca는 카탈로그에 있는 두 메서드입니다. 이러한 메서드는 파이프라인에 연결된 IEstimator 개체를 만듭니다.

이 시점에서는 개체만 만들어집니다. 어떠한 실행도 발생하지 않습니다.

모델 학습

파이프라인에서 개체가 만들어지면 모델을 학습하는 데 데이터를 사용할 수 있습니다.

    var model = pipeline.Fit(trainingData);

Fit() 호출 시 입력 학습 데이터를 사용하여 모델의 매개 변수를 예상합니다. 이를 모델 학습이라고 합니다. 단, 위의 선형 회귀 모델에서는 두 가지 모델 매개 변수, 즉 편차가중치 가 있었습니다. Fit() 호출 후 매개 변수의 값이 알려집니다. 대부분 모델에는 이것보다 더 많은 매개 변수가 있습니다.

모델 학습 방법에서 모델 학습에 대해 자세히 알아볼 수 있습니다.

결과 모델 개체는 ITransformer 인터페이스를 구현합니다. 즉, 모델은 입력 데이터를 예측으로 변환합니다.

   IDataView predictions = model.Transform(inputData);

모델 사용

입력 데이터를 대량의 예측으로 변환하거나 한 번에 하나의 입력을 변환할 수 있습니다. 주택 가격 예에서는 두 가지(모델 평가 목적으로는 대량, 새로운 예측을 하기 위해서는 한 번에 하나씩)를 수행했습니다. 단일 예측하기를 살펴 보겠습니다.

    var size = new HouseData() { Size = 2.5F };
    var predEngine = mlContext.CreatePredictionEngine<HouseData, Prediction>(model);
    var price = predEngine.Predict(size);

CreatePredictionEngine() 메서드는 입력 클래스 및 출력 클래스를 사용합니다. 필드 이름 및/또는 코드 특성은 모델 학습 및 예측 중 사용된 데이터 열의 이름을 결정합니다. 자세한 내용은 학습된 모델로 예측을 참조하세요.

데이터 모델 및 스키마

ML.NET 기계 학습 파이프라인의 핵심에는 DataView 개체가 있습니다.

파이프라인의 각 변환에는 입력 스키마(변환 시 입력에서 보길 원하는 데이터 이름, 유형 및 크기)와 출력 스키마(변환 후 해당 변환이 생성하는 데이터 이름, 유형 및 크기)가 있습니다.

파이프라인에서 하나의 변환으로 인한 출력 스키마가 다음 변환의 입력 스키마와 일치하지 않는 경우 ML.NET은 예외를 throw합니다.

데이터 뷰 개체에는 열과 행이 있습니다. 각 열에는 이름과 유형 및 길이가 있습니다. 예: 주택 가격 예의 입력 열에는 크기가격 이 있습니다. 두 가지 유형이며, 벡터 수량이라기 보다는 스칼라 수량입니다.

주택 가격 예측 데이터가 있는 ML.NET 데이터 뷰 예제

모든 ML.NET 알고리즘은 벡터인 입력 열을 찾습니다. 기본적으로 이 벡터 열은 특성(feature) 이라고 합니다. 이것이 바로 주택 가격 예제에서 Features 이라고 하는 새 열로 크기 열을 연관시킨 이유입니다.

   var pipeline = mlContext.Transforms.Concatenate("Features", new[] { "Size" })

또한 모든 알고리즘은 예측을 수행한 후 새 열을 만들기도 합니다. 이러한 새 열의 고정된 이름은 기계 학습 알고리즘의 유형에 따라 결정됩니다. 회귀 작업의 경우 새 열 중 하나가 점수 라고 합니다. 이것이 바로 이 이름으로 가격 데이터의 이름을 지정한 이유입니다.

    public class Prediction
    {
        [ColumnName("Score")]
        public float Price { get; set; }
    }

Machine Learning 작업 가이드에서 다른 기계 학습 작업의 출력 열에 대해 더 자세히 알아볼 수 있습니다.

DataView의 중요한 속성은 이들이 느리게 평가된다는 점입니다. 데이터 뷰는 모델 학습 및 평가, 데이터 예측 중에만 로드되고 작동됩니다. ML.NET 애플리케이션을 쓰고 테스트하는 동안에는 Visual Studio 디버거를 사용하여 미리 보기 메서드를 호출하여 어떠한 데이터 뷰 개체도 살펴볼 수 있습니다.

    var debug = testPriceDataView.Preview();

디버거에서 debug 변수를 보고 내용을 살펴볼 수 있습니다. 성능이 크게 저하되므로 프로덕션 코드에서는 미리 보기 메서드를 사용하지 마세요.

모델 배포

실제 애플리케이션에서 모델 학습과 평가 코드는 예측과 구분됩니다. 사실,이 두 가지 활동은 별도의 팀에서 수행하는 경우가 많습니다. 모델 개발 팀은 예측 애플리케이션에서 사용하기 위해 이 모델을 저장할 수 있습니다.

   mlContext.Model.Save(model, trainingData.Schema,"model.zip");

다음 단계

  • 자습서에서 보다 현실적인 데이터 세트로 다른 기계 학습 작업을 사용하여 애플리케이션을 빌드하는 방법에 대해 알아봅니다.

  • 방법 가이드에서 더 자세히 특정 항목에 대해 알아봅니다.

  • 만일 관심이 아주 많다면 API 참조 문서를 바로 참조할 수 있습니다.