기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
자동 모델 튜닝, 하이퍼파라미터 튜닝이라고도 하며, 훈련과 검증 데이터 세트에 대한 광범위한 하이퍼파라미터를 테스트하는 여러 작업을 실행하여 최적의 모델 버전을 찾습니다. 세 가지 유형의 하이퍼파라미터를 선택합니다.
-
모델 훈련 중에 최적화하는 학습
objective함수 -
검증 중에 모델 성능을 평가하는 데 사용하는
eval_metric -
모델을 자동으로 튜닝할 때 사용하기 쉬운 하이퍼파라미터 세트와 일정한 범위의 값
알고리즘이 계산하는 평가 지표 집합에서 평가 지표를 선택합니다. 자동 모델 튜닝은 선택한 하이퍼파라미터를 검색하여 평가 지표를 최적화하는 모델을 만드는 값 조합을 찾습니다.
참고
XGBoost 0.90용 자동 모델 튜닝은 SageMaker AI 콘솔이 아닌 Amazon SageMaker SageMaker AI SDKs에서만 사용할 수 있습니다.
모델 튜닝에 대한 추가 정보는 SageMaker AI를 사용한 자동 모델 튜닝 섹션을 참조하세요.
XGBoost 알고리즘으로 계산되는 평가 지표
XGBoost 알고리즘은 모델 검증에 사용할 다음 지표를 계산합니다. 모델을 튜닝할 때 모델을 평가하려면 이러한 지표 중 하나를 선택합니다. 유효한 eval_metric 값의 전체 목록은 XGBoost 학습 작업 파라미터
| 지표 이름 | 설명 | 최적화 방향 |
|---|---|---|
validation:accuracy |
분류 비율은 #(오른쪽)/#(모든 경우)로 계산됩니다. |
최대화 |
validation:auc |
곡선 아래 면적 |
최대화 |
validation:error |
바이너리 분류 오류율, 잘못된 케이스 수를 모든 케이스 수로 나눠 계산됩니다. |
최소화 |
validation:f1 |
분류 정확도의 지표로, 고조파 정밀도 및 리콜 평균으로 계산됩니다. |
최대화 |
validation:logloss |
네거티브 로그 가능도 |
최소화 |
validation:mae |
평균 절대 오차 |
최소화 |
validation:map |
평균 정밀도 |
최대화 |
validation:merror |
멀티클래스 분류 오류율, 잘못된 케이스 수를 모든 케이스 수로 나눠 계산됩니다. |
최소화 |
validation:mlogloss |
멀티클래스 분류를 위한 네거티브 로그 가능도 |
최소화 |
validation:mse |
평균 제곱 오차. |
최소화 |
validation:ndcg |
정규화된 할인 누적 이득 |
최대화 |
validation:rmse |
평균 제곱근 오차 |
최소화 |
튜닝 가능한 XGBoost 하이퍼파라미터
다음 하이퍼파라미터를 사용하여 XGBoost 모델을 튜닝합니다. XGBoost 평가 지표를 최적화하는데 가장 큰 영향을 미치는 하이퍼파라미터는 alpha, min_child_weight, subsample, eta 및 num_round입니다.
| 파라미터 이름 | 파라미터 유형 | 권장 범위 |
|---|---|---|
alpha |
ContinuousParameterRanges |
MinValue: 0, MaxValue: 1000 |
colsample_bylevel |
ContinuousParameterRanges |
MinValue: 0.1, MaxValue: 1 |
colsample_bynode |
ContinuousParameterRanges |
MinValue: 0.1, MaxValue: 1 |
colsample_bytree |
ContinuousParameterRanges |
MinValue: 0.5, MaxValue: 1 |
eta |
ContinuousParameterRanges |
MinValue: 0.1, MaxValue: 0.5 |
gamma |
ContinuousParameterRanges |
MinValue: 0, MaxValue: 5 |
lambda |
ContinuousParameterRanges |
MinValue: 0, MaxValue: 1000 |
max_delta_step |
IntegerParameterRanges |
[0, 10] |
max_depth |
IntegerParameterRanges |
[0, 10] |
min_child_weight |
ContinuousParameterRanges |
MinValue: 0, MaxValue: 120 |
num_round |
IntegerParameterRanges |
[1, 4000] |
subsample |
ContinuousParameterRanges |
MinValue: 0.5, MaxValue: 1 |
