이 페이지는 Cloud Translation API를 통해 번역되었습니다.

초매개변수 조정 개요

머신러닝에서 초매개변수를 조정하면 학습 알고리즘에 대한 최적의 초매개변수를 찾을 수 있습니다. 초매개변수는 모델 인수이며, 해당 모델 인수 값은 학습 과정이 시작되기 전에 설정됩니다. 이와 달리, 선형 모델 계수와 같은 기타 매개변수 값은 학습됩니다.

초매개변수 조정을 통해 초매개변수를 수동으로 반복하는 시간은 단축되고 데이터로부터 유용한 정보를 확보하는 데 집중하는 시간을 늘릴 수 있습니다.

다음 모델 유형에 초매개변수 조정 옵션을 지정할 수 있습니다.

이러한 모델 유형의 경우 CREATE MODEL 문의 NUM_TRIALS 옵션 값을 지정할 때 초매개변수 조정이 사용 설정됩니다.

선형 회귀 모델에서 초매개변수 조정을 실행하려면 BigQuery ML 초매개변수 조정을 사용하여 모델 성능 향상을 참고하세요.

다음 모델도 초매개변수 조정을 지원하지만 특정 값을 지정할 수 없습니다.

AutoML Tables 모델에는 기본적으로 모델 학습에 자동 초매개변수 조정이 삽입되어 있습니다.
ARIMA_PLUS 모델을 사용하면 auto.ARIMA 알고리즘을 사용하여 초매개변수 조정을 수행하도록 AUTO_ARIMA 인수를 설정할 수 있습니다. 이 알고리즘은 트렌드 모듈에 초매개변수 조정을 수행합니다. 전체 모델링 파이프라인에서는 초매개변수 조정이 지원되지 않습니다.

각 모델 유형에 지원되는 SQL 문과 함수에 대한 자세한 내용은 각 모델의 엔드 투 엔드 사용자 경험을 참조하세요.

위치

초매개변수 조정을 지원하는 위치에 대한 자세한 내용은 BigQuery ML 위치를 참조하세요.

초매개변수 설정

초매개변수를 조정하려면 모델이 일련의 시도에 사용할 수 있는 초매개변수의 값 범위를 지정해야 합니다. 단일 값을 제공하는 대신 CREATE MODEL 문에서 초매개변수를 설정할 때 다음 키워드 중 하나를 사용하여 이 작업을 수행할 수 있습니다.

HPARAM_RANGE: 초매개변수 연속 값 검색 공간의 최소 및 최대 경계를 정의하는 2요소 ARRAY(FLOAT64) 값입니다. 초매개변수 값 범위를 지정하려면 이 옵션을 사용합니다(예: LEARN_RATE = HPARAM_RANGE(0.0001, 1.0)).
HPARAM_CANDIDATES: 초매개변수 개별 값 집합을 지정하는 ARRAY(STRUCT) 값입니다. 초매개변수 값 집합을 지정하려면 이 옵션을 사용합니다(예: OPTIMIZER = HPARAM_CANDIDATES(['ADAGRAD', 'SGD', 'FTRL'])).

초매개변수 및 목표

다음 표에서는 초매개변수 조정을 지원하는 각 모델 유형에 지원되는 초매개변수와 목표가 나와 있습니다.

모델 유형	초매개변수 목표	초매개변수	유효 범위	기본 범위	배율 유형
`LINEAR_REG`	`MEAN_ABSOLUTE_ERROR` `MEAN_SQUARED_ERROR` `MEAN_SQUARED_LOG_ERROR` `MEDIAN_ABSOLUTE_ERROR` `R2_SCORE`(기본값) `EXPLAINED_VARIANCE`	`L1_REG` `L2_REG`	`(0, ∞]` `(0, ∞]`	`(0, 10]` `(0, 10]`	`LOG` `LOG`
`LOGISTIC_REG`	`PRECISION` `RECALL` `ACCURACY` `F1_SCORE` `LOG_LOSS` `ROC_AUC`(기본값)	`L1_REG` `L2_REG`	`(0, ∞]` `(0, ∞]`	`(0, 10]` `(0, 10]`	`LOG` `LOG`
`KMEANS`	`DAVIES_BOULDIN_INDEX`	`NUM_CLUSTERS`	`[2, 100]`	`[2, 10]`	`LINEAR`
`MATRIX_ FACTORIZATION`(명시적)	`MEAN_SQUARED_ERROR`	`NUM_FACTORS` `L2_REG`	`[2, 200]` `(0, ∞)`	`[2, 20]` `(0, 10]`	`LINEAR` `LOG`
`MATRIX_ FACTORIZATION`(암시적)	`MEAN_AVERAGE_PRECISION`(기본값) `MEAN_SQUARED_ERROR` `NORMALIZED_DISCOUNTED_CUMULATIVE_GAIN` `AVERAGE_RANK`	`NUM_FACTORS` `L2_REG` `WALS_ALPHA`	`[2, 200]` `(0, ∞)` `[0, ∞)`	`[2, 20]` `(0, 10]` `[0, 100]`	`LINEAR` `LOG` `LINEAR`
`AUTOENCODER`	`MEAN_ABSOLUTE_ERROR` `MEAN_SQUARED_ERROR`(기본값) `MEAN_SQUARED_LOG_ERROR`	`LEARN_RATE` `BATCH_SIZE` `L1_REG` `L2_REG` `L1_REG_ACTIVATION` `DROPOUT` `HIDDEN_UNITS` `OPTIMIZER` `ACTIVATION_FN`	`[0, 1]` `(0, ∞)` `(0, ∞)` `(0, ∞)` `(0, ∞)` `[0, 1)` `[1, ∞)` 배열 {`ADAM`, `ADAGRAD`, `FTRL`, `RMSPROP`, `SGD`} {`RELU`, `RELU6`, `CRELU`, `ELU`, `SELU`, `SIGMOID`, `TANH`}	`[0, 1]` `[16, 1024]` `(0, 10]` `(0, 10]` `(0, 10]` `[0, 0.8]` 해당 사항 없음 {`ADAM`, `ADAGRAD`, `FTRL`, `RMSPROP`, `SGD`} 해당 사항 없음	`LOG` `LOG` `LOG` `LOG` `LOG` `LINEAR` 해당 사항 없음 해당 사항 없음 해당 사항 없음
`DNN_CLASSIFIER`	`PRECISION` `RECALL` `ACCURACY` `F1_SCORE` `LOG_LOSS` `ROC_AUC`(기본값)	`BATCH_SIZE` `DROPOUT` `HIDDEN_UNITS` `LEARN_RATE` `OPTIMIZER` `L1_REG` `L2_REG` `ACTIVATION_FN`	`(0, ∞)` `[0, 1)` `[1, ∞)` 배열 `[0, 1]` {`ADAM`, `ADAGRAD`, `FTRL`, `RMSPROP`, `SGD`} `(0, ∞)` `(0, ∞)` {`RELU`, `RELU6`, `CRELU`, `ELU`, `SELU`, `SIGMOID`, `TANH`}	`[16, 1024]` `[0, 0.8]` 해당 사항 없음 `[0, 1]` {`ADAM`, `ADAGRAD`, `FTRL`, `RMSPROP`, `SGD`} `(0, 10]` `(0, 10]` 해당 사항 없음	`LOG` `LINEAR` 해당 사항 없음 `LINEAR` 해당 사항 없음 `LOG` `LOG` 해당 사항 없음
`DNN_REGRESSOR`	`MEAN_ABSOLUTE_ERROR` `MEAN_SQUARED_ERROR` `MEAN_SQUARED_LOG_ERROR` `MEDIAN_ABSOLUTE_ERROR` `R2_SCORE`(기본값) `EXPLAINED_VARIANCE`
`DNN_LINEAR_ COMBINED_ CLASSIFIER`	`PRECISION` `RECALL` `ACCURACY` `F1_SCORE` `LOG_LOSS` `ROC_AUC`(기본값)	`BATCH_SIZE` `DROPOUT` `HIDDEN_UNITS` `L1_REG` `L2_REG` `ACTIVATION_FN`	`(0, ∞)` `[0, 1)` `[1, ∞)` 배열 `(0, ∞)` `(0, ∞)` {`RELU`, `RELU6`, `CRELU`, `ELU`, `SELU`, `SIGMOID`, `TANH`}	`[16, 1024]` `[0, 0.8]` 해당 사항 없음 `(0, 10]` `(0, 10]` 해당 사항 없음	`LOG` `LINEAR` 해당 사항 없음 `LOG` `LOG` 해당 사항 없음
`DNN_LINEAR_ COMBINED_ REGRESSOR`	`MEAN_ABSOLUTE_ERROR` `MEAN_SQUARED_ERROR` `MEAN_SQUARED_LOG_ERROR` `MEDIAN_ABSOLUTE_ERROR` `R2_SCORE`(기본값) `EXPLAINED_VARIANCE`				`LOG` `LINEAR` 해당 사항 없음 `LOG` `LOG` 해당 사항 없음
`BOOSTED_TREE_ CLASSIFIER`	`PRECISION` `RECALL` `ACCURACY` `F1_SCORE` `LOG_LOSS` `ROC_AUC`(기본값)	`LEARN_RATE` `L1_REG` `L2_REG` `DROPOUT` `MAX_TREE_DEPTHMAX_TREE_DEPTH` `SUBSAMPLE` `MIN_SPLIT_LOSS` `NUM_PARALLEL_TREE` `MIN_TREE_CHILD_WEIGHT` `COLSAMPLE_BYTREE` `COLSAMPLE_BYLEVEL` `COLSAMPLE_BYNODE` `BOOSTER_TYPE` `DART_NORMALIZE_TYPE` `TREE_METHOD`	`[0, ∞)` `(0, ∞)` `(0, ∞)` `[0, 1]` `[1, 20]` `(0, 1]` `[0, ∞)` `[1, ∞)` `[0, ∞)` `[0, 1]` `[0, 1]` `[0, 1]` {`GBTREE`, `DART`} {`TREE`, `FOREST`} {`AUTO`, `EXACT`, `APPROX`, `HIST`}	`[0, 1]` `(0, 10]` `(0, 10]` 해당 사항 없음 `[1, 10]` `(0, 1]` 해당 사항 없음 해당 사항 없음 해당 사항 없음 해당 사항 없음 해당 사항 없음 해당 사항 없음 해당 사항 없음 해당 사항 없음 해당 사항 없음	`LINEAR` `LOG` `LOG` `LINEAR` `LINEAR` `LINEAR` `LINEAR` `LINEAR` `LINEAR` `LINEAR` `LINEAR` `LINEAR` 해당 사항 없음 해당 사항 없음 해당 사항 없음
`BOOSTED_TREE_ REGRESSOR`	`MEAN_ABSOLUTE_ERROR` `MEAN_SQUARED_ERROR` `MEAN_SQUARED_LOG_ERROR` `MEDIAN_ABSOLUTE_ERROR` `R2_SCORE`(기본값) `EXPLAINED_VARIANCE`
`RANDOM_FOREST_ CLASSIFIER`	`PRECISION` `RECALL` `ACCURACY` `F1_SCORE` `LOG_LOSS` `ROC_AUC`(기본값)	`L1_REG` `L2_REG` `MAX_TREE_DEPTH` `SUBSAMPLE` `MIN_SPLIT_LOSS` `NUM_PARALLEL_TREE` `MIN_TREE_CHILD_WEIGHT` `COLSAMPLE_BYTREE` `COLSAMPLE_BYLEVEL` `COLSAMPLE_BYNODE` `TREE_METHOD`	`(0, ∞)` `(0, ∞)` `[1, 20]` `(0, 1)` `[0, ∞)` `[2, ∞)` `[0, ∞)` `[0, 1]` `[0, 1]` `[0, 1]` {`AUTO`, `EXACT`, `APPROX`, `HIST`}	`(0, 10]` `(0, 10]` `[1, 20]` `(0, 1)` 해당 사항 없음 `[2, 200]` 해당 사항 없음 해당 사항 없음 해당 사항 없음 해당 사항 없음 해당 사항 없음	`LOG` `LOG` `LINEAR` `LINEAR` `LINEAR` `LINEAR` `LINEAR` `LINEAR` `LINEAR` `LINEAR` 해당 사항 없음
`RANDOM_FOREST_ REGRESSOR`	`MEAN_ABSOLUTE_ERROR` `MEAN_SQUARED_ERROR` `MEAN_SQUARED_LOG_ERROR` `MEDIAN_ABSOLUTE_ERROR` `R2_SCORE`(기본값) `EXPLAINED_VARIANCE`

대부분의 LOG 확장 초매개변수에서는 0의 개방형 하한 경계를 사용합니다. 여전히 HPARAM_RANGE 키워드를 사용하여 초매개변수 범위를 설정해 0을 하한 경계로 설정할 수 있습니다. 예를 들어 부스티드 트리 분류 모델에서 L1_REG 초매개변수 범위를 L1_REG = HPARAM_RANGE(0, 5)로 설정할 수 있습니다. 0 값은 1e-14로 변환됩니다.

조건부 초매개변수가 지원됩니다. 예를 들어 부스티드 트리 회귀 모델에서는 BOOSTER_TYPE 초매개변수 값이DART일 때만 DART_NORMALIZE_TYPE 초매개변수 값을 조정할 수 있습니다. 이 경우 다음 예시와 같이 두 검색 공간을 지정하면 조건이 자동으로 처리됩니다.

BOOSTER_TYPE = HPARAM_CANDIDATES(['DART', 'GBTREE'])
DART_NORMALIZE_TYPE = HPARAM_CANDIDATES(['TREE', 'FOREST'])

검색 시작점

HPARAM_RANGE 또는 HPARAM_CANDIDATES를 사용하여 초매개변수 검색 공간을 지정하지 않으면 해당 모델 유형의 CREATE MODEL 주제에 설명된 대로 검색이 해당 초매개변수의 기본값부터 시작합니다. 예를 들어 부스티드 트리 모델에 초매개변수 조정을 실행하지만 L1_REG 초매개변수 값을 지정하지 않으면 검색은 기본값인 0에서 시작합니다.

HPARAM_RANGE 또는 HPARAM_CANDIDATES를 사용하여 초매개변수 검색 공간을 지정하면 해당 모델 유형의 CREATE MODEL 주제에 설명된 대로 검색 시작점은 지정된 검색 공간에 해당 초매개변수 기본값이 포함되어 있는지 여부에 따라 달라집니다.

지정된 범위에 기본값이 포함되어 있으면 여기에서 검색이 시작합니다. 예를 들어 암시적 행렬 분해 모델에 초매개변수 조정을 실행하고 WALS_ALPHA 초매개변수에 [20, 30, 40, 50] 값을 지정하면 검색은 기본값인 이40에서 시작합니다.
지정된 범위에 기본값이 없으면 검색은 기본값에서 가장 가까운 지정된 범위의 지점에서 시작합니다. 예를 들어 WALS_ALPHA 초매개변수에 [10, 20, 30] 값을 지정하면 검색은 40 기본값에서 가장 가까운 값인 30에서 시작합니다.

데이터 분할

NUM_TRIALS 옵션의 값을 지정하면 서비스에서 초매개변수 조정 수행을 식별하고 입력 데이터에서 자동으로 3방향 분할을 수행하여 학습, 평가, 테스트 세트로 나눕니다. 기본적으로 입력 데이터에 무작위로 순서가 지정된 후 학습에 80%, 평가에 10%, 테스트에 10%로 분할됩니다.

학습 및 평가 세트는 초매개변수 조정을 사용하지 않는 모델에서와 같이 각 시도 학습에서 사용됩니다. 시도 초매개변수 추천은 해당 모델 유형의 모델 평가 측정항목을 기준으로 계산됩니다. 각 시도 학습이 끝날 때 테스트 세트를 사용하여 시도를 테스트하고 모델에 측정항목을 기록합니다. 따라서 아직 모델에서 분석하지 않은 데이터를 사용하여 최종 보고 평가 측정항목의 목표를 보장합니다. 평가 데이터는 초매개변수 추천의 중간 측정항목을 계산하는 데 사용되며 테스트 데이터는 최종 목표 모델 측정항목을 계산하는 데 사용됩니다.

학습 세트만 사용하려면 CREATE MODEL 문의 DATA_SPLIT_METHOD 옵션에 NO_SPLIT을 지정합니다.

학습 세트와 평가 세트만 사용하려면 CREATE MODEL 문의 DATA_SPLIT_TEST_FRACTION 옵션에 0을 지정합니다. 테스트 세트가 비어 있으면 평가 세트가 최종 평가 측정항목 보고의 테스트 세트로 사용됩니다.

데이터 분할 비율이 동일할 때만 일반 학습 작업에서 생성된 모델의 측정항목과 초매개변수 조정 학습 작업의 측정항목을 비교할 수 있습니다. 예를 들어 다음 모델을 비교할 수 있습니다.

초매개변수 조정 아님: DATA_SPLIT_METHOD='RANDOM', DATA_SPLIT_EVAL_FRACTION=0.2
초매개변수 조정: DATA_SPLIT_METHOD='RANDOM', DATA_SPLIT_EVAL_FRACTION=0.2, DATA_SPLIT_TEST_FRACTION=0

성능

초매개변수 조정을 사용할 때 모델 성능은 일반적으로 초매개변수 조정을 사용하지 않고 기본 검색 공간을 사용할 때의 모델 성능보다 나쁘지 않습니다. 기본 검색 공간을 사용하지만 초매개변수 조정을 사용하지 않는 모델은 항상 첫 번째 시도에서 기본 초매개변수를 사용합니다.

초매개변수 조정을 통해 제공되는 모델 성능 개선 사항을 확인하려면 초매개변수 조정 모델의 최적 시도를 초매개변수 조정 아님 모델의 첫 번째 시도와 비교합니다.

전이 학습

CREATE MODEL 문의 HPARAM_TUNING_ALGORITHM 옵션을 VIZIER_DEFAULT로 설정하면 기본적으로 전이 학습이 사용 설정됩니다. 다음과 같은 요구사항이 충족되는 경우 모델의 초매개변수를 조정하면 이전에 조정된 모델에서 학습할 수 있습니다.

이전에 조정된 모델과 동일한 모델 유형이 있습니다.
이전에 조정된 모델과 동일한 프로젝트에 있습니다.
이전에 조정된 모델의 초매개변수 검색 공간과 동일한 초매개변수 검색 공간이나 하위 집합을 사용합니다. 하위 집합은 동일한 초매개변수 이름과 유형을 사용하지만 범위가 같을 필요는 없습니다. 예를 들어 (a:[0, 10])은 (a:[-1, 1], b:[0, 1]) 하위 집합으로 간주됩니다.

전이 학습에서는 입력 데이터가 같을 필요가 없습니다.

전이 학습은 첫 번째 시도 배치 중에 시스템에서 무작위 탐색 분석을 수행하는 콜드 스타트 문제를 해결하는 데 도움이 됩니다. 전이 학습은 초매개변수와 해당 목표에 대한 초기 지식 일부를 시스템에 제공합니다. 모델 품질을 지속적으로 향상시키려면 항상 같은 초매개변수나 초매개변수 하위 집합으로 새로운 초매개변수 조정 모델을 학습시킵니다.

전이 학습은 하위 모델이 수렴하는 데 도움이 되는 대신 초매개변수 조정을 더 빠르게 수렴하는 데 도움이 됩니다.

오류 처리

초매개변수 조정은 다음과 같은 방법으로 오류를 처리합니다.

취소: 학습 작업이 실행 중에 취소되면 성공한 모든 시도를 계속 사용할 수 있습니다.
잘못된 입력: 사용자 입력이 잘못되면 서비스가 사용자 오류를 반환합니다.
잘못된 초매개변수: 초매개변수가 시도에 유효하지 않으면 시도를 건너뛰고 ML.TRIAL_INFO 함수의 출력에 INFEASIBLE로 표시합니다.
시도 내부 오류: INTERNAL_ERROR로 인해 NUM_TRIALS 값의 10% 넘게 실패하면 학습 작업이 중지되고 사용자 오류를 반환합니다.
INTERNAL_ERROR로 인해 NUM_TRIALS 값의 10% 미만이 실패하면 학습이 ML.TRIAL_INFO 함수의 출력에서 FAILED로 표시된 실패한 시도를 계속합니다.

모델 서빙 함수

초매개변수 조정의 출력 모델을 기존의 여러 모델 서빙 함수와 함께 사용할 수 있습니다. 이러한 함수를 사용하려면 다음 규칙을 따르세요.

함수에서 입력 데이터를 가져오면 시도 하나의 결과만 반환됩니다. 기본적으로 이는 최적의 시도이지만 지정된 함수의 인수로 TRIAL_ID를 지정하여 특정 시도를 선택할 수도 있습니다. ML.TRIAL_INFO 함수의 출력에서 TRIAL_ID를 가져올 수 있습니다. 지원되는 함수는 다음과 같습니다.
함수에서 입력 데이터를 가져오지 않으면 모든 시도 결과가 반환되고 첫 번째 출력 열은 TRIAL_ID입니다. 지원되는 함수는 다음과 같습니다.

모든 시도는 동일한 입력 데이터를 공유하므로 ML.FEATURE_INFO의 출력은 변경되지 않습니다.

입력 데이터가 분할되는 방식으로 인해 ML.EVALUATE 및 ML.TRIAL_INFO의 평가 측정항목이 다를 수 있습니다. 기본적으로 ML.EVALUATE는 테스트 데이터에 대해 실행되지만 ML.TRIAL_INFO는 평가 데이터에 대해 실행됩니다. 자세한 내용은 데이터 분할을 참조하세요.

지원되지 않는 함수

ML.TRAINING_INFO 함수는 각 반복에 대한 정보를 반환하고 반복 결과는 초매개변수 조정 모델에 저장되지 않습니다. 대신 시도 결과가 저장됩니다. ML.TRIAL_INFO 함수를 사용하여 시도 결과에 대한 정보를 가져올 수 있습니다.

모델 내보내기

EXPORT MODEL 문을 사용하여 초매개변수 조정으로 만든 모델을 Cloud Storage 위치로 내보낼 수 있습니다. 기본 최적 시도나 지정된 시도를 내보낼 수 있습니다.

가격 책정

초매개변수 조정 학습 비용은 실행된 모든 시도 비용의 합계입니다. 무료 체험판 가격 책정은 기존 BigQuery ML 가격 책정 모델과 일치합니다.

FAQ

이 섹션에서는 하이퍼파라미터 조정에 관해 자주 묻는 질문에 대한 답변을 제공합니다.

모델을 조정해야 하는 시도를 얼마나 자주 하나요?

초매개변수 1개당 시도를 최소 10개 이상 사용하는 것이 좋으므로 총 시도 횟수는 최소 10 * num_hyperparameters 이상이어야 합니다. 기본 검색 공간을 사용하는 경우 기본적으로 지정된 모델 유형에 조정된 초매개변수 수는 초매개변수 및 목표 표의 초매개변수 열을 참조하세요.

초매개변수 조정을 사용하여 성능이 개선되지 않으면 어떻게 해야 하나요?

이 문서의 안내에 따라 공정하게 비교해야 합니다. 그래도 성능이 향상되지 않으면 기본 초매개변수가 이미 잘 작동하기 때문일 수 있습니다. 초매개변수 조정을 한 번 더 시도하기 전에 특성 추출에 집중하거나 다른 모델 유형을 사용해 보는 것이 좋습니다.

모델을 계속 미세 조정하려면 어떻게 해야 하나요?

같은 검색 공간을 사용하여 새 초매개변수 조정 모델을 학습시킵니다. 기본 제공 전이 학습을 사용하면 이전에 미세 조정된 모델을 기반으로 계속 조정할 수 있습니다.

모든 데이터와 최적의 초매개변수를 사용하여 모델을 다시 학습시켜야 하나요?

다음 요소에 따라 달라집니다.

k-평균 모델은 이미 모든 데이터를 학습 데이터로 사용하므로 모델을 다시 학습시킬 필요가 없습니다.
행렬 분해 모델의 경우 선택한 초매개변수와 모든 입력 데이터로 모델을 다시 학습시켜 사용자와 항목의 적용 범위를 더 넓힐 수 있습니다.
다른 모든 모델 유형의 경우 일반적으로 재학습이 필요하지 않습니다. 서비스는 이미 기본 임의 데이터 분할 중에 학습용 입력 데이터의 80%를 유지합니다. 데이터 세트가 작으면 더 많은 학습 데이터와 일부 초매개변수를 사용하여 모델을 계속 다시 학습시킬 수 있지만 조기 중단을 위한 평가 데이터가 거의 없으면 과적합이 악화될 수 있습니다.

다음 단계

초매개변수 조정을 실행하려면 BigQuery ML 초매개변수 조정을 사용하여 모델 성능 향상을 참조하세요.