테이블 형식 AutoML 모델의 최적화 목표

테이블 형식의 데이터 세트를 사용하여 AutoML 모델을 학습시키면 Vertex AI는 모델 유형과 타겟 열에 사용된 데이터 유형을 기반으로 기본 최적화 목표를 선택합니다.

아래 표에서는 각 목표가 어떤 문제 유형에 가장 적합한지를 보여주는 정보를 확인할 수 있습니다.

분류

최적화 목표	API 값	목표 사용 목적
AUC ROC	maximize-au-roc	수신자 조작 특성(ROC) 곡선 아래의 면적을 극대화합니다. 클래스를 구분합니다. 이진 분류의 기본값입니다.
로그 손실	minimize-log-loss	예측 확률을 최대한 정확하게 유지합니다. 멀티클래스 분류의 목표만 지원됩니다.
AUC PR	maximize-au-prc	정밀도-재현율 곡선 아래의 영역을 최대화합니다. 잘 사용하지 않는 클래스의 예측 결과를 최적화합니다.
재현율의 정밀도	maximize-precision-at-recall	특정 재현율 값에서 정밀도를 최적화합니다.
정밀도의 재현율	maximize-recall-at-precision	특정 정밀도 값에서 재현율을 최적화합니다.

회귀

최적화 목표	API 값	목표 사용 목적
RMSE	minimize-rmse	평균 제곱근 오차(RMSE)를 최소화합니다. 더 극한의 값을 정확하게 캡처합니다. 기본값
MAE	minimize-mae	평균 절대 오차(MAE)를 최소화합니다. 극한 값을 모델에 미치는 영향이 적은 이상점으로 봅니다.
RMSLE	minimize-rmsle	평균 제곱근 로그 오차(RMSLE)를 최소화합니다. 절대값이 아닌 상대적 크기를 바탕으로 오류에 페널티를 적용합니다. 예측 값과 실제 값이 모두 상당히 클 때 유용합니다.

예측

최적화 목표	API 값	목표 사용 목적
RMSE	minimize-rmse	평균 제곱근 오차(RMSE)를 최소화합니다. 더 극한의 값을 정확하게 캡처합니다. 기본값
MAE	minimize-mae	평균 절대 오차(MAE)를 최소화합니다. 극한 값을 모델에 미치는 영향이 적은 이상점으로 봅니다.
RMSLE	minimize-rmsle	평균 제곱근 로그 오차(RMSLE)를 최소화합니다. 절대값이 아닌 상대적 크기를 바탕으로 오류에 페널티를 적용합니다. 예측 값과 실제 값이 모두 상당히 클 때 유용합니다.
RMSPE	minimize-rmspe	평균 제곱근 백분율 오차(RMSPE)를 최소화합니다. 넓은 범위의 값을 정확하게 캡처합니다. RMSE와 비슷하지만 대상의 규모를 기준으로 합니다. 값의 범위가 크면 유용합니다.
WAPE	minimize-wape-mae	가중치가 적용된 절대 백분율 오차(WAPE)와 평균 절대 오차(MAE)의 조합을 최소화합니다. 실제 값이 작을 때 유용합니다.
분위수 손실	minimize-quantile-loss	정의된 분위수의 분위수 손실을 최소화합니다.