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
Copy link to section
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
Copy link to section
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
Copy link to section
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
Copy link to section
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.