초매개변수 조정으로 모델 성능 향상

---

이 튜토리얼에서는 일련의 모델 학습 시도를 사용 설정하기 위해 NUM_TRIALS 학습 옵션을 지정하여 BigQuery ML에서 하이퍼파라미터 조정을 사용하는 방법을 보여줍니다.

이 튜토리얼에서는 tlc_yellow_trips_2018 샘플 테이블을 사용하여 택시 운행의 팁을 예측하는 모델을 만듭니다. 초매개변수 조정을 통해 모델은 R2_SCORE 초매개변수 조정 목표에서 최대 40%의 성능 개선을 보여줍니다.

목표

이 튜토리얼에서는 다음을 수행합니다.

• BigQuery ML에서 NUM_TRIALS를 20으로 설정한 CREATE MODEL 문을 사용하여 선형 회귀 모델 만들기
• ML.TRIAL_INFO 함수를 사용하여 모든 20개 시도 개요 확인
• ML.EVALUATE 함수를 사용하여 ML 모델 평가
• ML.PREDICT 함수를 사용하여 ML 모델로 예측

비용

이 튜토리얼에서는 비용이 청구될 수 있는 다음과 같은 Google Cloud 구성요소를 사용합니다.

• BigQuery
• BigQuery ML

BigQuery 비용에 대한 자세한 내용은 BigQuery 가격 책정 페이지를 참조하세요.

시작하기 전에

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Google Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다.

4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

5. Google Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다.

6. BigQuery는 새 프로젝트에서 자동으로 사용 설정됩니다. 기존 프로젝트에서 BigQuery를 활성화하려면 다음으로 이동합니다.

   Enable the BigQuery API.

   Enable the API

1단계: 학습 데이터 세트 만들기

ML 모델을 저장할 BigQuery 데이터 세트를 만듭니다.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery 페이지로 이동

2. 탐색기 창에서 프로젝트 이름을 클릭합니다.

3. 작업 보기 > 데이터 세트 만들기를 클릭합니다.

   

4. 데이터 세트 만들기 페이지에서 다음을 수행합니다.

   • 데이터 세트 ID에 bqml_tutorial를 입력합니다.

   • 위치 유형에 대해 멀티 리전을 선택한 다음 US(미국 내 여러 리전)를 선택합니다.

     공개 데이터 세트는 US 멀티 리전에 저장됩니다. 편의상 같은 위치에 데이터 세트를 저장합니다.

   • 나머지 기본 설정은 그대로 두고 데이터 세트 만들기를 클릭합니다.

     

2단계: 학습 입력 테이블 만들기

이 단계에서는 학습 입력 테이블을 100,000개 행으로 구체화합니다.

1. 소스 테이블 tlc_yellow_trips_2018의 스키마를 봅니다.

   

2. 학습 입력 데이터 테이블을 만듭니다.

CREATE TABLE `bqml_tutorial.taxi_tip_input` AS
SELECT
  * EXCEPT(tip_amount), tip_amount AS label
FROM
  `bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2018`
WHERE
  tip_amount IS NOT NULL
LIMIT 100000

3단계: 모델 만들기

다음으로 BigQuery의 tlc_yellow_trips_2018 샘플 테이블을 사용하여 초매개변수를 조정한 선형 회귀 모델을 만듭니다. 다음 GoogleSQL 쿼리는 초매개변수 조정으로 모델을 만드는 데 사용됩니다.

CREATE MODEL `bqml_tutorial.hp_taxi_tip_model`
OPTIONS
  (MODEL_TYPE='LINEAR_REG',
   NUM_TRIALS=20,
   MAX_PARALLEL_TRIALS=2) AS
SELECT
  *
FROM
  `bqml_tutorial.taxi_tip_input`

쿼리 세부정보

LINEAR_REG 모델에는 l1_reg 및 l2_reg의 두 가지 조정 가능한 초매개변수가 있습니다. 위 쿼리는 기본 검색 공간을 사용합니다. 검색 공간을 명시적으로 지정할 수도 있습니다.

OPTIONS
  (...
    L1_REG=HPARAM_RANGE(0, 20),
    L2_REG=HPARAM_CANDIDATES([0, 0.1, 1, 10]))

또한 다른 초매개변수 조정 학습 옵션도 기본값을 사용합니다.

• HPARAM_TUNING_ALGORITHM: "VIZIER_DEFAULT"
• HPARAM_TUNING_OBJECTIVES: ["r2_score"]

MAX_PARALLEL_TRIALS를 2로 설정하여 조정 프로세스 속도를 높입니다. 언제든지 실행되는 2번의 시도의 경우 전체 조정에는 20개가 아닌 10개의 직렬 학습 작업이 수행될 만큼의 시간이 걸립니다. 그러나 2번의 시도가 동시에 실행되면 서로의 학습 결과로부터 이점을 얻을 수 없다는 점에 유의하세요.

CREATE MODEL 쿼리 실행

CREATE MODEL 쿼리를 실행하여 모델을 만들고 학습시키려면 다음 안내를 따르세요.

1. Google Cloud 콘솔에서 새 쿼리 작성 버튼을 클릭합니다.

2. 쿼리 편집기 텍스트 영역에 위의 GoogleSQL 쿼리를 입력합니다.

3. 실행을 클릭합니다.

   쿼리가 완료되는 데 약 17분 정도 걸립니다. 단계의 실행 세부정보에서 조정 진행 상황을 추적할 수 있습니다.

   

4단계: 시도 정보 가져오기

초매개변수, 목표, 상태, 최적의 시도를 포함하여 모든 시도의 개요를 보려면 ML.TRIAL_INFO 함수를 사용하고 SQL을 실행한 후 Google Cloud 콘솔에서 결과를 보면 됩니다.

SELECT *
FROM
  ML.TRIAL_INFO(MODEL `bqml_tutorial.hp_taxi_tip_model`)

1번의 시도가 완료되는 즉시 이 SQL 쿼리를 실행할 수 있습니다. 조정이 중간에 중지되는 경우 이미 완료된 모든 시도를 계속 사용할 수 있습니다.

5단계: 모델 평가

모델을 만든 후에는 ML.EVALUATE 함수를 사용하거나 Google Cloud Console을 통해 모든 시도의 평가 측정항목을 가져올 수 있습니다.

ML.EVALUATE 실행

SELECT *
FROM
  ML.EVALUATE(MODEL `bqml_tutorial.hp_taxi_tip_model`)

이 SQL은 테스트 데이터에서 계산된 모든 시도에 대한 평가 측정항목을 가져옵니다. ML.TRIAL_INFO 목표와 ML.EVALUATE 평가 측정항목 사이의 차이에 대한 자세한 내용은 모델 서빙 함수를 참조하세요.

자체 데이터를 제공하여 특정 시도를 평가할 수도 있습니다. 자세한 내용은 모델 서빙 함수를 참조하세요.

Google Cloud 콘솔을 통해 평가 측정항목 확인

EVALUATION 탭을 선택하여 평가 측정항목을 확인할 수도 있습니다.

6단계: 모델을 사용하여 택시 팁 예측

모델을 평가했으므로 다음 단계는 이 모델을 사용하여 택시 팁을 예측하는 것입니다.

팁을 예측하는 데 사용되는 쿼리는 다음과 같습니다.

SELECT
  *
FROM
  ML.PREDICT(MODEL `bqml_tutorial.hp_taxi_tip_model`,
    (
    SELECT
      *
    FROM
      `bqml_tutorial.taxi_tip_input`
    LIMIT 10))

쿼리 세부정보

최상위 SELECT 문은 predicted_label 열을 포함하여 모든 열을 검색합니다. 이 열은 ML.PREDICT 함수에서 생성됩니다. ML.PREDICT 함수를 사용할 때 모델의 출력 열 이름은 predicted_label_column_name입니다.

기본적으로 예측은 최적의 시도를 대상으로 수행됩니다. trial_id 파라미터를 지정하여 다른 시도를 선택할 수 있습니다.

SELECT
  *
FROM
  ML.PREDICT(MODEL `bqml_tutorial.hp_taxi_tip_model`,
    (
    SELECT
      *
    FROM
      `bqml_tutorial.taxi_tip_input`
    LIMIT
      10),
    STRUCT(3 AS trial_id))

모델 서빙 함수를 사용하는 방법은 모델 서빙 함수를 참조하세요.

삭제

이 튜토리얼에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트를 유지하고 개별 리소스를 삭제하세요.

• 만든 프로젝트를 삭제할 수 있습니다.
• 또는 프로젝트를 유지하고 데이터 세트를 삭제할 수 있습니다.

데이터 세트 삭제

프로젝트를 삭제하면 프로젝트의 데이터 세트와 테이블이 모두 삭제됩니다. 프로젝트를 다시 사용하려면 이 튜토리얼에서 만든 데이터 세트를 삭제할 수 있습니다.

1. 필요한 경우 Google Cloud 콘솔에서 BigQuery 페이지를 엽니다.

   BigQuery 페이지로 이동

2. 탐색 패널에서 앞에서 만든 bqml_tutorial 데이터 세트를 선택합니다.

3. 창 오른쪽에 있는 데이터 세트 삭제를 클릭합니다. 데이터 세트, 테이블, 모든 데이터가 삭제됩니다.

4. 데이터 세트 삭제 대화상자에서 데이터 세트 이름(bqml_tutorial)을 입력하여 삭제 명령어를 확인한 후 삭제를 클릭합니다.

프로젝트 삭제

프로젝트를 삭제하는 방법은 다음과 같습니다.

주의: 프로젝트를 삭제하면 다음과 같은 효과가 발생합니다.

• 프로젝트의 모든 항목이 삭제됩니다. 이 문서의 태스크에 기존 프로젝트를 사용한 경우 프로젝트를 삭제하면 프로젝트에서 수행한 다른 작업도 삭제됩니다.
• 커스텀 프로젝트 ID가 손실됩니다. 이 프로젝트를 만들 때 앞으로 사용할 커스텀 프로젝트 ID를 만들었을 수 있습니다. appspot.com URL과 같이 프로젝트 ID를 사용하는 URL을 보존하려면 전체 프로젝트를 삭제하는 대신 프로젝트 내에서 선택한 리소스만 삭제합니다.

여러 아키텍처, 튜토리얼, 빠른 시작을 살펴보려는 경우 프로젝트를 재사용하면 프로젝트 할당량 한도 초과를 방지할 수 있습니다.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

다음 단계

• 머신러닝 단기집중과정을 참조하여 머신러닝 알아보기
• BigQuery ML 개요는 BigQuery ML 소개를 참조하세요.
• Google Cloud 콘솔에 대한 자세한 내용은 Google Cloud 콘솔 사용을 참조하세요.