분류 솔루션에 대한 클래스 회수 구성

데이터를 학습시키기 전에 클래스 회수 매개변수를 생성하고 ML 솔루션에 적용합니다. 예를 들어, Email 클래스에서 교육하는 모든 기록에 대해 이 솔루션 매개변수를 90% 정확도로 설정하고 적용합니다.

시작하기 전에

주:

ML 솔루션에서 고급 설정을 구성하는 것은 선택 사항입니다. 이러한 설정을 구성하려면 솔루션에서 활성화하는 기술에 대해 잘 알고 있는지, 기술이 제공하는 이점을 누릴 수 있는 사용 사례가 있는지 확인하십시오.

• 분류 솔루션 정의를 생성 및 저장하거나 기존 솔루션 정의를 사용합니다.
• 필요한 역할: admin 또는 ml_admin

이 태스크 정보

클래스 회수 솔루션 매개변수를 사용하면 솔루션의 교육을 조정하여 특정 클래스를 편향할 수 있습니다. 예를 들어 수신 이메일을 피싱으로 분류하는지 여부는 보안 관련 머신 러닝 솔루션에서 중요한 사용 사례가 될 수 있습니다. 이러한 상황에서는 모든 피싱을 식별하는 것이 매우 중요하며 피싱이 아닌 피싱을 가끔 피싱으로 보고해도 괜찮을 수 있습니다. 그러나 실제 피싱은 피싱이 아닌 것으로 분류되어서는 안 됩니다. 이러한 상황에서 회수율 메트릭의 값이 높아야 하며, 이로 인해 정밀도와 범위의 백분율이 낮아질 수 있습니다.

프로시저

1. 다음으로 이동 모두 > 예측 인텔리전스 > 분류 > 솔루션 정의.
2. 저장된 분류 솔루션 정의 양식을 엽니다.
   이 예제 시나리오에서는 아직 교육하지 않은 인시던트 범주화 솔루션 정의 양식을 사용합니다.

   

3. 양식의 관련 링크 섹션에 있는 고급 솔루션 설정 탭에서 신규를 클릭합니다.

   

4. 매개변수 기록을 생성합니다.
   1. 솔루션 매개변수 필드에서 검색 아이콘을 클릭합니다.
   2. ML 솔루션 매개변수 화면에서 교육 중 클래스 회수 값 추가를 선택합니다.

      

5. 제출을 클릭합니다.
   고급 솔루션 설정 기록이 나타납니다.

   

6. 사용자 입력 필드를 구성합니다.
   1. 회수 값을 추적할 클래스 이름을 입력합니다.
      이 시나리오에서는 ClassName에 피싱을 입력합니다.
   2. 회수 값을 입력합니다.
      RecallValue에 90을 입력합니다.
   여기서는 피싱 을 대상 클래스로 지정하고 95 는 솔루션 교육 중에 시스템에 제공하도록 요청하는 회수 백분율입니다.

   

7. 제출을 클릭합니다.

   결과: 분류 솔루션에 대해 클래스 회수가 구성되었습니다. 해당 솔루션 매개변수는 분류 솔루션 정의 양식의 고급 솔루션 설정 탭에 나타납니다.

   

다음에 수행할 작업

저장된 분류 솔루션을 교육합니다.

관련 개념

• 교육된 분류 솔루션에 대한 대상 메트릭 구성

관련 태스크

• 분류 솔루션 생성 및 교육
• 솔루션에 대한 TF-IDF 구성