AutoAI 그래픽 도구는 데이터를 분석하고 데이터 알고리즘, 변환 및 매개변수 설정을 사용하여 최상의 예측 모델을 작성합니다. AutoAI 는 다양한 잠재적 모델을 모델 후보 파이프라인으로 표시하고 사용자가 선택할 수 있도록 리더보드에서 순위를 지정합니다.
- 필수 자격 증명
- 작업 자격 증명
- 데이터 형식
- 표 형식: 모든 유형의 AutoAI 실험에 대해 쉼표 (,) 구분 기호가 있는 CSV 파일.
- IBM Cloud Object Storage 연결된 데이터.
- 데이터 크기
- 최대 1GB또는 최대 20GB. 자세한 정보는 AutoAI 데이터 사용을 참조하십시오.
AutoAI 데이터 사용
훈련 데이터 및 모델 입력 데이터는 테이블 형식입니다. 테이블의 열 이름은 고유해야 합니다. 열 이름이 중복되면 오류가 발생합니다.
이러한 한계는 8 CPU및 32GB의 기본 계산 구성을 기반으로 합니다.
AutoAI 분류 및 회귀 실험:
- AutoAI 실험에 대해 최대 1GB의 파일을 업로드할 수 있습니다.
- 1GB를 초과하는 데이터 소스에 연결하는 경우 처음 1GB의 레코드만 사용됩니다.
AutoAI 시계열 실험:
데이터 소스에 시간소인 열이 포함된 경우 AutoAI 는 일정한 빈도로 데이터를 샘플링합니다. 예를 들어, 데이터는 1분, 1시간또는 1일의 증분일 수 있습니다. 지정된 시간소인은 모델 정확도를 향상시키기 위해 이전 검색 창을 판별하는 데 사용됩니다.
참고:파일 크기가 1GB보다 큰 경우 AutoAi 은 내림차순 시간 순서로 데이터를 정렬하며 실험을 훈련하는 데 처음 1GB만 사용됩니다.
데이터 소스에 시간소인 열이 없는 경우 AutoAI 가 일정한 간격으로 데이터를 샘플링하고 오름차순 시간 순서로 데이터를 정렬하는지 확인하십시오. 오름차순 정렬 순서는 첫 번째 행의 값이 가장 오래된 값이고 마지막 행의 값이 가장 최근 값임을 의미합니다.
참고: 파일 크기가 1GB보다 큰 경우, 1GB보다 작도록 파일 크기를 자르십시오.
AutoAI 프로세스
AutoAI를 사용하면 코딩하지 않고 복잡한 훈련 기능으로 기계 학습 모델을 빌드 및 배치할 수 있습니다. 도구는 사용자를 위한 대부분의 작업을 수행합니다.
특정 실험을 작성한 코드를 보거나 프로그래밍 방식으로 실험과 상호작용하기 위해 실험을 노트북으로 저장할 수 있습니다.
AutoAI는 다음 태스크를 자동으로 실행하여 후보 모델 파이프라인을 빌드 및 평가합니다.
AutoAI 프로세스 이해
모델 파이프라인 작성에 적용된 알고리즘의 설명 및 연관된 연구 논문에 대한 링크를 포함하여 이러한 각 단계에 대한 추가 세부사항은 AutoAI 구현 세부 사항을 참조하십시오.
데이터 사전 처리
대부분의 데이터 세트에는 서로 다른 데이터 형식과 결측값이 포함되어 있지만 표준 기계 학습 알고리즘은 숫자에 대해서만 작동하고 결측값에 대해서는 작동하지 않습니다. 따라서 AutoAI 는 다양한 알고리즘 또는 추정기를 적용하여 기계 학습을 위한 원시 데이터를 분석, 정리 및 준비합니다. 이 기술은 데이터 유형 (예: 범주형 또는 숫자) 과 같은 기능을 기반으로 값을 자동으로 발견하고 분류합니다. 범주화에 따라 AutoAI 는 하이퍼 매개변수 최적화 를 사용하여 데이터의 결측값 대체, 기능 인코딩 및 기능 스케일링에 대한 최상의 전략 조합을 판별합니다.
자동화된 모델 선택사항
AutoAI 는 자동화된 모델 선택을 사용하여 데이터에 대한 최적의 모델을 식별합니다. 이 새로운 접근법은 데이터의 작은 서브세트에 대해 잠재적 모델을 테스트하고 정확성을 기반으로 순위를 지정합니다. 그런 다음 AutoAI 는 가장 유망한 모델을 선택하고 가장 일치하는 항목을 식별할 때까지 데이터 서브세트의 크기를 늘립니다. 이 접근 방식은 정확도를 기반으로 잠재적 모델을 점진적으로 줄여 시간을 절약하고 성능을 향상시킵니다.
최적의 모델을 선택하기 위해 자동으로 생성된 파이프라인을 처리하는 방법에 대한 정보는 AutoAI 모델 선택을 참조하십시오.
자동화된 기능 엔지니어링
기능 엔지니어링은 원시 데이터를 문제점을 가장 잘 나타내는 기능의 조합으로 변환하여 가장 정확한 모델을 식별합니다. 이 고유한 접근 방식은 보강 학습을 사용하여 모델 정확도를 점진적으로 최대화하면서 구조화되합고 CIM (nonexhaustive) 방식으로 다양한 기능 구성 선택사항을 탐색합니다. 이 기술을 사용하면 모델 선택 단계의 알고리즘과 가장 잘 일치하는 데이터에 대한 변환 시퀀스가 최적화됩니다.
하이퍼매개변수 최적화
하이퍼 매개변수 최적화는 최상의 수행 모델을 세분화합니다. AutoAI 는 기계 학습에서 일반적인 특정 함수 평가 (예: 모델 훈련 및 스코어링) 에 대해 새로운 하이퍼 매개변수 최적화 알고리즘을 사용합니다. 이 접근 방식은 각 반복에서 평가 시간이 길어도 최상의 모델을 신속하게 식별합니다.
다음 단계
빠른 시작: AutoAI를 사용하여 기계 학습 모델 빌드 및 배치 학습서를 사용해 보십시오.
상위 주제: 데이터 분석 및 모델 빌드