분류의 모델 구성에 대한 구성 매개변수

매개변수 사전을 JSON 형식으로 전달하여 분류 솔루션의 교육 동작을 사용자 지정합니다.

시작하기 전에

필요한 역할: ml_admin 또는 admin

이 태스크 정보

훈련 동작을 조정하기 위해 매개변수 딕셔너리를 전달하여 모델 성능을 미세 조정할 수 있습니다.

모델 목표와 관련된 머신 러닝 하이퍼 매개변수를 이해합니다. 이 옵션은 고급이며 주의해서 수정해야 합니다.

다음 절차를 사용하여 솔루션 정의 양식에 이러한 매개변수를 추가할 수 있습니다.

또는 스크립트를 사용하여 이러한 매개변수를 추가할 수 있습니다. 스크립팅 시 사용할 형식은 이 페이지의 다음에 수행할 작업 섹션을 참조하십시오.

프로시저

1. 다음으로 이동 모두 > 예측 인텔리전스 > 분류 > 솔루션 정의.
2. 기존 분류 솔루션을 열거나 새 분류 솔루션을 생성합니다.
3. 양식의 관련 링크 섹션에서 고급 솔루션 설정 탭을 선택합니다.
4. 새로 만들기를 선택하여 고급 솔루션 설정(ml_advanced_solution_settings) 양식을 엽니다.
5. 솔루션 매개변수 필드에서 분류의 모델 구성에 대한 구성 매개변수를 검색합니다.
6. 요구 사항에 따라 값을 편집한 후 사용자 입력 필드에 다음 키-값 쌍을 입력합니다.
   주:

   매개변수를 솔루션 정의 양식에 붙여넣을 때 JSON을 둘러싸는 레이블, 중괄호 또는 괄호를 포함하지 마십시오. 요구 사항에 따라 값을 편집한 후 여기에 표시된 형식으로 키-값 쌍을 입력합니다.

   'max_depth': 10,'learning_rate': 0.1,'objective': 'multi:softprob','num_class': 11,'random_state': 10,'eval_metric': 'mlogloss','booster': 'gbtree','n_estimators': 150,'verbosity': 1,'use_label_encoder': false,'tree_method': 'hist','num_parallel_tree': 1,'gamma': 0.25,'subsample': 0.8,'max_delta_step': 5,'reg_alpha': 0,'reg_lambda': 1,'colsample_bytree': 0.8,'colsample_bylevel': 1,'colsample_bynode': 1,'min_child_weight': 1.25,'n_jobs': 11,'validate_parameters': true

7. 제출을 선택하여 솔루션 정의를 업데이트합니다.

결과

이 설정은 솔루션 양식의 고급 솔루션 설정 탭에 행으로 나타납니다.

다음에 수행할 작업

솔루션을 다시 교육합니다.

스크립트를 사용하여 이 사전을 전달할 수도 있습니다. 스크립팅할 때 바깥쪽 레이블, 중괄호 및 괄호를 사용해야 합니다.

스크립트 예:

config.setModelParams({                   
                    'max_depth': 10,                   
                    'learning_rate': 0.1,
                    'objective': 'multi:softprob',
                    'num_class': 11,
                    'random_state': 10,
                    'eval_metric': 'mlogloss',
                    'booster': 'gbtree',
                    'n_estimators': 150,
                    'verbosity': 1,
                    'use_label_encoder': false,
                    'tree_method': 'hist',
                    'num_parallel_tree': 1,
                    'gamma': 0.25,
                    'subsample': 0.8,
                    'max_delta_step': 5,
                    'reg_alpha': 0,
                    'reg_lambda': 1,
                    'colsample_bytree': 0.8,
                    'colsample_bylevel': 1,
                    'colsample_bynode': 1,
                    'min_child_weight': 1.25,
                    'n_jobs': 11,
                    'validate_parameters': true
                    });

JSON 예:

        
            {                    
              "classification_model_params": {
                'max_depth': 10,
                'learning_rate': 0.1,
                'objective': 'multi:softprob',
                'num_class': 11,
                'random_state': 10,
                'eval_metric': 'mlogloss',
                'booster': 'gbtree',
                'n_estimators': 150,
                'verbosity': 1,
                'use_label_encoder': false,
                'tree_method': 'hist',
                'num_parallel_tree': 1,
                'gamma': 0.25,
                'subsample': 0.8,
                'max_delta_step': 5,
                'reg_alpha': 0,
                'reg_lambda': 1,
                'colsample_bytree': 0.8,
                'colsample_bylevel': 1,
                'colsample_bynode': 1,
                'min_child_weight': 1.25,
                'n_jobs': 11,
                'validate_parameters': true
                }
              }

관련 개념

• 머신 러닝 API 사용

관련 태스크

• 분류 솔루션 생성 및 교육