분류 솔루션에 대한 클래스 재현율 구성

데이터를 교육하기 전에 클래스 회수 매개변수를 생성하고 ML 솔루션에 적용합니다. 예를 들어, 이메일 클래스의 모든 기록에 대해 이 솔루션 매개변수를 90% 회수로 설정하고 적용합니다.

시작하기 전에

주:

ML 솔루션에서 고급 설정을 사용하는 것은 선택 사항입니다. 이러한 설정을 구현하도록 선택하는 경우 솔루션에서 사용하도록 설정하는 기술에 대해 잘 알고 있는지, 그리고 기술이 제공하는 이점을 활용하는 사용 사례가 있는지 확인합니다.

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

이 태스크 정보

클래스 재현율 솔루션 매개변수를 사용하면 특정 클래스가 편향되도록 솔루션의 훈련을 조정할 수 있습니다. 예를 들어 수신 전자 메일을 피싱으로 분류하거나 피싱하지 않는 것은 보안 관련 기계 학습 솔루션에서 중요한 사용 사례가 될 수 있습니다. 이러한 상황에서는 모든 피시를 식별하는 것이 매우 중요하며 때때로 피시가 아닌 피시를 피시로 보고하는 것이 허용될 수 있습니다. 그러나 실제 피싱은 피싱이 아닌 것으로 분류되어서는 안 됩니다. 이러한 상황에서는 거짓 부정을 최소화하기 위해 회수율 메트릭에 높은 값을 가져야 합니다. 회수 값이 높으면 정밀도와 범위에 대한 백분율이 낮아질 수 있습니다.

솔루션 정의당 하나의 클래스에 회수 값을 적용할 수 있습니다.

프로시저

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

   

3. 고급 솔루션 설정 탭에서 양식의 관련 링크 섹션에서 새로 만들기를 선택합니다.

   

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

      

   고급 솔루션 설정 [ml_advanced_solution_settings] 기록이 나타납니다.

   

5. 사용자 입력 필드에 ClassName:RecallValue 형식으로 값을 추가합니다.
   1. 회수 값을 지정할 클래스의 이름을 입력합니다.
      이 시나리오에서는 ClassName에 피시를 입력합니다.
   2. 콜론 문자(:))를 입력한 다음 회수 값을 입력합니다.
      예제 시나리오에서 RecallValue에 95를 입력합니다.
   즉, 피시 를 대상 클래스로 지정하고 95 는 솔루션 교육 중에 시스템에 제공하도록 요청하는 회수율입니다(피시:95).

   

6. 제출을 선택합니다.

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

   

다음에 수행할 작업

업데이트가 통합되도록 저장된 분류 솔루션을 교육합니다.

관련 개념

• 학습된 분류 솔루션에 대한 대상 메트릭 구성

관련 태스크

• 분류 솔루션 생성 및 교육
• 솔루션에 대한 TF-IDF 구성