살아 움직이는 머신러닝 파이프라인 설계: 텐서플로와 함께하는 머신러닝 프로젝트 자동화

36

살아 움직이는 머신러닝 파이프라인 설계

1.3.4

모델 학습과 튜닝

모델 학습 단계(

6

장)는 머신러닝 파이프라인의 핵심입니다. 이 단계에서는 가능한 한 가장 작

은 오차를 만드는 모델을 학습합니다. 대규모 모델과 특히 대규모 학습 데이터에서는 이 단계

를 효율적으로 관리하기가 어려워지곤 합니다. 일반적으로 학습에 사용하는 컴퓨팅 자원은 한

정되어 있으므로, 모델 학습 세션의 효율적인 분배가 중요합니다.

모델 튜닝은 성능을 개선하고 경쟁 우위를 제공할 수 있다는 점에서 최근에 많은 관심을 받았

습니다. 머신러닝 프로젝트에 따라 머신러닝 파이프라인을 고려하기 전에 모델을 튜닝하거나

파이프라인의 일부로 튜닝할 수도 있습니다. 머신러닝 파이프라인 아키텍처는 확장 가능하기

에 다수의 모델을 병렬 또는 순차적으로 학습시킬 수 있습니다. 이를 통해 최종 모델에 적합한

모델 하이퍼파라미터를 선택합니다.

1.3.5

모델 분석

일반적으로 정확도나 손실을 사용하여 최적의 모델 파라미터 집합을 결정합니다. 그러나 모델

의 최종 버전을 결정한 후에는 모델의 성능을 더 심층적으로 분석하면 매우 유용합니다 (

7

장에

서 설명합니다 ). 여기에는 정밀도, 리콜 및

AUC

Area

Under

the

ROC

Curve

와 같은 다른 지표를 계산

하거나 학습에 사용되는 검증 집합보다 더 큰 데이터셋에서 성능을 계산하는 작업이 포함됩니다.

심층적으로 모델을 분석하면 모델의 예측이 공정한지 확인할 수 있습니다. 데이터셋을 분리하

고 각 슬라이스의 성능을 계산한다면 모델이 여러 사용자 ...