ML.NET의 기계 학습 작업

• 기계 학습 작업은 요청되는 문제나
  질문 및 사용 가능한 데이터에 따라 수행되는
  예측 또는 추론의 종류입니다.
• 예를 들어
  • 분류 : 데이터를 범주에 할당
  • 클러스터링 : 유사성에 따라 데이터 그룹화.
• 기계 학습은
  명시적으로 프로그래밍되는 것이 아니라
  데이터 패턴을 사용합니다.
• 이 문서에서는 사용자가 ML.NET에서 선택할 수 있는
  다양한 기계 학습 작업과 몇 가지 일반적인 사용 사례에 대해 설명.
• 시나리오에 적합한 작업을 선택했으면
  모델을 학습할 최상의 알고리즘을 선택해야 한다.
  사용 가능한 알고리즘은 각 작업의 섹션에 나열됩니다.

Binary classification / 이진분류

• 두 클래스 중에 데이터의 인스턴스가 속한 클래스를 예측하는 데 사용
• 분류 알고리즘의 입력은 레이블이 지정된 예제 집합.
  여기서 각 레이블은 0 또는 1의 정수.
• 이진 분류 알고리즘의 출력은 분류자로,
  레이블이 없는 새 인스턴스의 클래스를 예측하는 데 사용.
• 이진 분류 시나리오의 예.
  • “긍정적” 또는 “부정적”으로 Twitter 댓글의 감정 이해.
  • 환자에게 특정 질병이 있는지 여부 진단.
  • 전자 메일을 “스팸”으로 표시할지 여부 결정.
  • 사진이 특정 항목을 포함하는지 여부 확인(예: 개 또는 과일).
• 참고 : Wikipedia - Binary classification

Binary classification trainers

• AveragedPerceptronTrainer
  • 평균 퍼셉트론으로 훈련 된 선형 이진 분류 모델을 사용하여
    대상을 예측하는 IEstimator <TTransformer>.
• SdcaLogisticRegressionBinaryTrainer
  • 이진 로지스틱 회귀 분류 모델을 훈련하기위해
    확률적 이중 좌표 상승 방법을 사용한 IEstimator <TTransformer>.
  • 훈련 된 모델은 보정되고 선형 함수의 출력 값을
    PlattCalibrator에 공급하여 확률을 생성 할 수 있다.
• SdcaNonCalibratedBinaryTrainer
  • 이진 로지스틱 회귀 분류 모델을 훈련하기위한
    확률적 이중 좌표 상승 방법을 사용한 IEstimator <TTransformer>.
• SymbolicSgdLogisticRegressionBinaryTrainer
  • IEstimator <TTransformer>는 기호확률적 경사하강 법으로 훈련된
    선형 이진 분류 모델을 사용하여 대상 예측.
• LbfgsLogisticRegressionBinaryTrainer
  • IEstimator <TTransformer>는 L-BFGS 방법으로 훈련된
    선형 로지스틱 회귀 모델을 사용하여 대상을 예측합니다.
• LightGbmBinaryTrainer
  • LightGBM을 사용하여 강화된 의사 결정 트리 이진 분류 모델을
    학습시키기위한 IEstimator <TTransformer>.
• FastTreeBinaryTrainer
  • FastTree를 사용하여 의사 결정 트리 이진 분류 모델을
    교육하기위한 IEstimator <TTransformer>입니다.
• FastForestBinaryTrainer
  • Fast Forest를 사용하여 의사 결정 트리 이진 분류 모델을
    교육하기위한 IEstimator <TTransformer>입니다.
• GamBinaryTrainer
  • 일반화 된 가법 모델 (GAM)을 사용하여
    이진 분류 모델을 훈련하기위한 IEstimator <TTransformer>.
• FieldAwareFactorizationMachineTrainer
  • IEstimator <TTransformer>는 확률적 그래디언트 방법을 사용하여
    훈련된 필드 인식 분해 기계 모델을 사용하여 대상을 예측.
• PriorTrainer
  • 이진 분류 모델을 사용하여
    대상을 예측하기위한 IEstimator <TTransformer>입니다.
• LinearSvmTrainer
  • IEstimator <TTransformer>는 Linear SVM으로 학습 된
    선형 이진 분류 모델을 사용하여 대상을 예측.

Binary classification inputs and outputs

• 이진 분류에서 최상의 결과를 내려면
  학습 데이터의 균형이 이루어져야 함
  • 긍정 및 부정 학습 데이터 수 일치.
  • 누락 값은 학습 전에 처리되어야 한다.
• 입력 레이블 열 데이터는 Boolean이다.
  입력 기능 열 데이터는 고정 크기의 Single 벡터.

• 트레이너의 출력.

  출력 열 이름	열	유형 설명
  Score	Single	모델에서 계산된 원시 점수
  PredictedLabel	Boolean	점수 부호에 따라 예측된 레이블 음수 점수는 false에 양수 점수는 true에 매핑.

Multiclass classification

• 데이터 인스턴스의 클래스를 예측하는데 사용되는
  감독된 기계 학습 작업입니다.
• 분류 알고리즘의 입력은 레이블이 지정된 예제 집합입니다.
• 각 레이블은 일반적으로 텍스트로 시작.
  그런 다음, TermTransform을 통해 실행되어 키(숫자) 유형으로 변환.
• 분류 알고리즘의 출력은 분류자로,
  레이블이 없는 새 인스턴스의 클래스를 예측하는 데 사용할 수 있습니다.
• 다중 클래스 분류 시나리오의 예는 다음과 같습니다.
  • 개의 품종을 “시베리안 허스키”, “골든 리트리버”, “푸들” 등으로 결정.
  • 동영상 리뷰를 “긍정적”, “중립” 또는 “부정적”으로 이해.
  • 호텔 리뷰를 “위치”, “가격”, “청결도” 등으로 범주화.
• 참고 : Wikipedia - Multiclass classification

Multiclass classification trainers

• LightGbmMulticlassTrainer
  • LightGBM을 사용하여 강화 된 의사 결정 트리 다중 클래스 분류 모델을 훈련하기위한 IEstimator <TTransformer>.
• SdcaMaximumEntropyMulticlassTrainer
  • 최대 엔트로피 다중 클래스 분류기를 사용하여
    대상을 예측하는 IEstimator <TTransformer>입니다.
  • 훈련 된 모델 MaximumEntropyModelParameters는
    클래스의 확률을 생성합니다.
• SdcaNonCalibratedMulticlassTrainer
  • TheIEstimator <TTransformer>는 선형 다중 클래스 분류기를 사용하여 대상을 예측합니다.
  • 훈련 된 모델 LinearMulticlassModelParameters는
    클래스의 확률을 생성합니다.
• LbfgsMaximumEntropyMulticlassTrainer
  • IEstimator <TTransformer>는 L-BFGS 방법으로 훈련된
    최대 엔트로피 다중 클래스 분류기를 사용하여 대상을 예측합니다.
• NaiveBayesMulticlassTrainer
  • 이진 특성 값을 지원하는 다중 클래스 Naive Bayes 모델을 학습하기위한 IEstimator <TTransformer>입니다.
• OneVersusAllTrainer
  • 지정된 이진 분류기를 사용하는 일대 다 다중 클래스 분류기를 훈련하기위한 IEstimator <TTransformer>입니다.
• PairwiseCouplingTrainer
  • 지정된 이진 분류기를 사용하는 쌍 결합 다중 클래스 분류기를 훈련하기위한 IEstimator 입니다.
• ImageClassificationTrainer
  • 이미지를 분류하기 위해 심층 신경망 (DNN)을 훈련하기위한 IEstimator 입니다.

Multiclass classification inputs and outputs

• 입력 레이블 열 데이터는 키 형식.
  기능 열은 고정된 크기의 Single 벡터.

• 트레이너 출력.

  출력 이름	형식	설명
  Score	Single 벡터	모든 클래스의 점수. 값이 높을수록 연결된 클래스에 해당할 가능성이 높음. i번째 요소의 값이 가장 크다면 예측된 레이블 인덱스는 i가 된다. i는 0부터 시작하는 인덱스.
  PredictedLabel	키 형식	예측된 레이블의 인덱스. 값이 i라면 실제 레이블은 키 값 입력 레이블 형식에서 i번째 범주.

Regression - 회귀

• 관련 기능 집합에서 레이블 값을 예측하는 데 사용되는 감독된 기계 학습.
• 레이블은 실제 값일 수 있고,
  분류 작업과 같이 한정된 값 집합에 속하지 않음.
• 회귀 알고리즘 모델은 기능 값이 달라질 때
  레이블이 변경되는 방식을 결정하기 위한
  관련 기능에 대한 레이블의 종속성.
• 회귀 알고리즘의 입력은 알려진 값의 레이블이 포함된 예제 집합.
• 회귀 알고리즘의 출력은
  새 입력 기능 집합의 레이블 값을 예측하는 데 사용할 수 있는 함수.
• 회귀 시나리오의 예는 다음과 같습니다.
  • 침실 수, 위치 또는 규모와 같은 주택 특성을 기반으로 주택 가격 예측.
  • 과거 데이터 및 현재 시장 추세를 기반으로 미래 재고 가격 예측.
  • 광고 예산을 기반으로 제품 판매 예측.

Regression trainers

• LbfgsPoissonRegressionTrainer
  • 포아송 회귀 모델을 학습하기위한 IEstimator <ITransformer>.
• LightGbmRegressionTrainer
  • LightGBM을 사용하여 강화 된 의사 결정 트리 회귀 모델을 훈련하기위한 IEstimator <TTransformer>.
• SdcaRegressionTrainer
  • 확률적 이중 좌표 상승 방법을 사용하여
    회귀 모델을 훈련하기위한 IEstimator <TTransformer>.
• OlsTrainer
  • 선형 회귀 모델의 매개 변수를 추정하기 위해
    일반 최소 제곱 (OLS)을 사용하여
    선형 회귀 모델을 훈련하기위한 IEstimator <TTransformer>.
• OnlineGradientDescentTrainer
  • 선형 회귀 모델의 매개 변수를 추정하기 위해
    OGD (Online Gradient Descent)를 사용하여
    선형 회귀 모델을 훈련하기위한 IEstimator <TTransformer>.
• FastTreeRegressionTrainer
  • FastTree를 사용하여 의사 결정 트리 회귀 모델을
    교육하기위한 IEstimator <TTransformer>.
• FastTreeTweedieTrainer
  • Tweedie 손실 함수를 사용하여
    의사 결정 트리 회귀 모델을 훈련하기위한 IEstimator<TTransformer>.
  • 이 트레이너는 푸 아송, 복합 푸 아송 및 감마 회귀의 일반화입니다.
• FastForestRegressionTrainer
  • Fast Forest를 사용하여 의사 결정 트리 회귀 모델을 교육하기위한 IEstimator <ITransformer>입니다.
• GamRegressionTrainer
  • 일반화 된 가법 모델 (GAM)을 사용하여 회귀 모델을 훈련하기위한 IEstimator <TTransformer>.

Regression inputs and outputs

• 입력 레이블 열 데이터는 Single.

• 트레이너는 출력.

  출력 이름	형식	설명
  Score	Single	모델에서 예측된 원시 점수

Clustering

• 데이터 인스턴스를 비슷한 특성을 포함하는 클러스터로 그룹화하는데 사용되는 감독되지 않는 기계 학습 작업입니다.
• 클러스터링을 사용하여 검색 또는 단순 관찰을 통해
  논리적으로 파생될 수 없는 데이터 세트의 관계를 식별할 수도 있습니다.
• 클러스터링 알고리즘의 입력 및 출력은 선택한 방법에 따라 다릅니다.
  분산, 중심, 연결 또는 밀도 기반 방법을 사용할 수 있습니다.
• 현재 ML.NET은 K-평균 클러스터링을 사용하는 중심 기반 방법을 지원합니다.
• 클러스터링 시나리오의 예는 다음과 같습니다.
  • 호텔 선택의 습관과 특성을 기반으로 호텔 투숙객 세그먼트 이해.
  • 대상 광고 캠페인을 구축하는 데 도움이 되는 고객 세그먼트 및 인구 통계 식별.
  • 제조 메트릭을 기반으로 인벤토리 범주화.

Clustering trainer

• KMeansTrainer
  • KMeans 클러스터 러 훈련을위한 IEstimator <TTransformer>

Clustering inputs and outputs

• 입력 기능 데이터는 Single이어야 합니다.
  레이블이 필요하지 않습니다.

• 트레이너 출력.

  출력 이름	형식	설명
  Score	Single 벡터	모든 클러스터의 중심에서 특정 데이터 지점까지의 거리
  PredictedLabel	키 형식	모델에서 예측한 가장 가까운 클러스터의 인덱스

Anomaly detection

• 이 작업은 PCA(보안 주체 구성 요소 분석)를 사용하여
  변칙 검색 모델을 만듭니다.
• PCA 기반 변칙 검색은 유효한 트랜잭션과 같은,
  한 클래스의 학습 데이터를 얻기는 쉽지만
  대상 변칙의 충분한 샘플을 얻기는 어려운 시나리오에서
  모델을 빌드하는 데 도움이 됩니다.
• 기계 학습의 검증된 기술인 PCA는
  데이터의 내부 구조를 나타내고 데이터 차이를 설명하기 때문에
  탐색적 데이터 분석에서 자주 사용됩니다.
• PCA는 여러 변수를 포함하는 데이터를 분석하여 작동합니다.
  변수 간의 상관 관계를 찾고
  결과에서 차이점을 가장 잘 캡처하는 값의 조합을 확인합니다.
• 이러한 조합된 기능 값이 보안 주체 구성 요소라는
  보다 간결한 기능 공간을 만드는 데 사용됩니다.
• 변칙 검색은 다음과 같은 기계 학습의 여러 중요한 작업을 포함합니다.
  • 잠재적으로 사기성이 있는 트랜잭션 식별.
  • 네트워크 침입이 발생했음을 나타내는 학습 패턴.
  • 비정상적인 환자 클러스터 찾기.
  • 시스템에 입력된 값 확인.
• 변칙은 정의상 거의 발생하지 않으므로
  모델링에 사용할 데이터의 대표 샘플을 수집하기 어려울 수 있다.
  이 범주에 포함된 알고리즘은 특히
  불균형 데이터 세트를 사용하여 모델을 빌드하고
  학습시키는 핵심 과제를 해결하도록 설계되었습니다.

Anomaly detection trainer

• RandomizedPcaTrainer
  • Randomized SVD 알고리즘을 사용하여
    대략적인 PCA를 훈련하기위한 IEstimator <TTransformer>.

Anomaly detection inputs and outputs

• 입력 기능은 고정 크기의 Single 벡터.

• 트레이너 출력.

  출력 이름	형식	설명
  Score	Single	변칙 검색 모델에서 계산된 음수가 아니며 바인딩되지 않은 점수
  PredictedLabel	Boolean	입력이 변칙(PredictedLabel=true)인지 아닌지(PredictedLabel=false) 여부를 나타내는 true/false 값입니다.

Ranking

• 순위 지정 작업은 레이블이 지정된 예제 세트에서 순위매기기를 구성합니다. - 이 예제 세트는 지정된 기준에 따라
  점수가 매겨질 수 있는 인스턴스 그룹으로 이루어져 있습니다.
• 순위 레이블은 각 인스턴스마다 {0, 1, 2, 3, 4}입니다.
  순위매기기는 각 인스턴스마다
  점수를 알 수 없는 새 인스턴스 그룹의 순위를 지정하도록 학습됩니다.
• ML.NET 순위 지정 학습자는 기계 학습 순위 지정을 기반으로 합니다.

Ranking training algorithms

• LightGbmRankingTrainer
  • LightGBM을 사용하여 강화 된 의사 결정 트리 순위 모델을 교육하기위한 IEstimator <TTransformer>.
• FastTreeRankingTrainer
  • FastTree를 사용하여 의사 결정 트리 순위 모델을 교육하기위한 IEstimator <TTransformer>입니다.

Ranking input and outputs

• 입력 레이블 데이터 형식은 키 형식 또는 Single.
  레이블의 값은 관련성을 결정하며 값이 클수록 관련성이 높습니다.
  레이블이 키 형식이면 키 인덱스가 관련성 값이며
  가장 작은 인덱스가 가장 관련도가 적습니다.
  레이블이 Single이면 값이 클수록 관련도가 높습니다.
• 기능 데이터는 고정 크기의 Single 벡터여야 하며
  입력 행 그룹 열은 키 형식이어야 합니다.
• 이 트레이너는 다음을 출력합니다.

Recommendation

• 권장 사항 작업을 통해 권장 제품 또는 서비스 목록을 생성할 수 있습니다. - ML.NET은 카탈로그에 기록 제품 등급 데이터가 있는 경우
  공동 작업 필터링 알고리즘인 MF(행렬 인수)를 권장 사항에 사용합니다.
• 예를 들어 사용자에 대한 기록 영화 등급 데이터가 있고,
  사용자가 다음에 시청할 가능성이 큰 다른 영화를 추천하려고 합니다.

Recommendation training algorithms

• MatrixFactorizationTrainer
  • IEstimator 는 행렬 분해 (협업 필터링 유형이라고도 함)를 사용하여 행렬의 요소를 예측합니다.

Forecasting

• 예측 작업은 과거 시계열 데이터를 사용하여
  향후 동작에 대한 예측을 수행합니다.
• 예측에 적용되는 시나리오에는
  날씨 예측, 계절별 매출 예측, 예측 유지 관리 등이 있습니다.

Forecasting trainers

• ForecastBySsa
  • 일변량 시계열 예측을위한 SSA (Singular Spectrum Analysis) 모델.
  • 모델에 대한 자세한 내용은 http://arxiv.org/pdf/1206.6910.pdf를 참조하십시오.

Image Classification

• 이미지의 클래스(범주)를 예측하는 데 사용되는 감독된 기계 학습 작업입니다.
  입력은 레이블이 지정된 예제 세트입니다.
  각 레이블은 일반적으로 텍스트로 시작됩니다.
  그런 다음, TermTransform을 통해 실행되어 키(숫자) 유형으로 변환됩니다.
  이미지 분류 알고리즘의 출력은 새 이미지의 클래스를 예측하는 데 사용할 수 있는 분류자입니다.
  이미지 분류 작업은 다중 클래스 분류의 한 유형입니다.
  이미지 분류 시나리오의 예는 다음과 같습니다.
  • 개의 품종을 “시베리안 허스키”, “골든 리트리버”, “푸들” 등으로 결정./
  • 제조 제품에 결함이 있는지 여부를 확인합니다.
  • “장미”, “해바라기” 등으로 꽃 종류를 결정합니다

Image classification trainers

• ImageClassificationTrainer
  • IEstimator <TTransformer> 분류 이미지에 깊은 신경망 (DNN)을 훈련합니다.

Image classification inputs and outputs

-입력 레이블 열 데이터는 키 형식이어야 합니다.
기능 열은 Byte의 가변 크기 벡터여야 합니다.

• 이 트레이너는 다음 열을 출력합니다.

  출력 이름	형식	설명
  Score	Single	모든 클래스의 점수입니다. 값이 높을수록 연결된 클래스에 해당할 가능성이 높습니다. i번째 요소의 값이 가장 큰 경우 예측된 레이블 인덱스는 i가 됩니다. i는 0부터 시작하는 인덱스입니다.
  PredictedLabel	키 유형	예측된 레이블의 인덱스입니다. 값이 i라면 실제 레이블은 키 값 입력 레이블 형식에서 i번째 범주입니다.

Object Detection

• 이미지의 클래스(범주)를 예측하는 데 사용되지만
  해당 범주가 이미지 내에 있는 경계 상자를 제공하는 감독된 기계 학습 작업입니다.
  이미지에서 단일 개체를 분류하는 대신,
  개체 감지는 이미지 내에서 여러 개체를 검색할 수 있습니다.
  개체 감지의 예는 다음과 같습니다.
  • 도로 이미지에서 자동차, 표지판 또는 사람을 감지합니다.
  • 제품 이미지에서 결함 검색.
  • X-Ray 이미지에서 관심 영역 검색.
• 개체 감지 모델 학습은 현재 Azure Machine Learning을 사용하는 Model Builder에서만 사용할 수 있습니다.