평가 패널에서는 테스트 세트에 대한 모델 수행 방법을 이해할 수 있습니다. 완료되면 튜토리얼의 다음 부분으로 진행합니다.
평가 측정항목
선택사항. ? 아이콘 위로 마우스를 가져가서 각 평가 측정항목에 대해 자세히 알아봅니다.
선택사항. 신뢰 기준점 슬라이더를 움직여서 정밀도, 재현율, F1 점수에 어떤 영향을 주는지 알아봅니다.
혼동 행렬
혼동 행렬은 테스트 세트(실측 정보)와 비교하여 예측을 보여줍니다.
'1'은 네거티브 클래스(고객이 정기 예금을 등록하지 않음)이고 '2'는 포지티브 클래스입니다. 모델에서는 포지티브 클래스보다 네거티브 클래스의 예측 작업이 더 잘 진행되었을 수 있습니다. 추가 학습 시간, 추가 데이터, 추가 기능이 있으면 포지티브 클래스의 예측 성능이 향상될 수 있습니다.
특성 중요도
특성 중요도는 모델 학습에 대한 각 기능의 영향을 보여줍니다. 값이 높을수록 영향이 더 많습니다.
모델에는 기간(은행과 고객 사이의 최근 커뮤니케이션이 지속된 기간(초))이 예측 결과에 큰 영향을 준 것으로 표시될 수 있습니다.
엔드포인트에 모델 배포하기
모델을 테스트하거나 온라인 예측을 수행하려면 이를 엔드포인트에 배포해야 합니다.
배포 및 테스트 패널을 엽니다.
모델 배포에서 엔드포인트에 배포를 클릭합니다.
엔드포인트 이름으로 Structured_AutoML_Tutorial을 입력합니다.
계속을 클릭합니다.
최소 컴퓨팅 노드를 1로 유지하고 최댓값을 입력하지 않습니다.
n1-standard-2 머신 유형을 선택합니다.
계속을 클릭합니다.
이 엔드포인트에 대해 모델 모니터링을 해제합니다.
엔드포인트를 만들고 모델을 엔드포인트에 배포하려면 배포를 클릭합니다.
모델 배포에는 5분 정도 걸립니다. 엔드포인트가 준비되었으면 튜토리얼의 다음 부분으로 진행합니다.
예측 요청
이제 모델이 엔드포인트에 배포되었으므로 예측 요청을 보낼 수 있습니다. API 또는 gcloud를 통해 요청을 전송하는 대신 이 페이지에서 모델을 테스트할 수 있습니다.
모델 테스트 섹션에서 미리 채워진 값 열을 볼 수 있습니다. 이 값을 사용하거나 새 값을 입력할 수 있습니다.
섹션 하단에서 예측을 누릅니다.
이 모델의 예측 결과 1은 부정적 결과 즉, 은행에서 입금되지 않았음을 의미합니다. 예측 결과 2는 긍정적 결과 즉, 은행에 입금되었음을 의미합니다.
모델은 선택한 라벨이 올바른 라벨인지에 대한 모델의 확신 수준에 해당하는 신뢰도 점수를 반환합니다. 기본값은 높은 신뢰도 점수를 반환했을 수 있습니다.
[[["이해하기 쉬움","easyToUnderstand","thumb-up"],["문제가 해결됨","solvedMyProblem","thumb-up"],["기타","otherUp","thumb-up"]],[["이해하기 어려움","hardToUnderstand","thumb-down"],["잘못된 정보 또는 샘플 코드","incorrectInformationOrSampleCode","thumb-down"],["필요한 정보/샘플이 없음","missingTheInformationSamplesINeed","thumb-down"],["번역 문제","translationIssue","thumb-down"],["기타","otherDown","thumb-down"]],["최종 업데이트: 2024-07-26(UTC)"],[],[],null,["# Hello tabular data: Deploy a model and request a prediction\n\nAfter your AutoML tabular classification model is done training,\ncreate an endpoint and deploy your model to\nthe endpoint. After your model is deployed to this new endpoint, test your\nmodel by requesting a prediction.\n\nLoad your model\n---------------\n\nWhen your model finishes training, it is listed in the **Models** tab.\n\n1. In the Google Cloud console, in the Vertex AI section, go to\n the **Models** page.\n\n [Go to the Models page](https://console.cloud.google.com/vertex-ai/models)\n2. From the models list, click the name of your trained model that you created previously\n\n3. Models are organized into versions. Click model version number 1.\n\nEvaluate your model\n-------------------\n\nThe **Evaluate** panel helps you understand how the model performed against the\ntest set. When you are done, continue to the next part of the tutorial.\n\n### Evaluation metrics\n\n**Optional** . Hold the pointer over the `?` icons to learn about each evaluation\nmetric.\n\n**Optional**. Move the confidence threshold slider to see how the precision,\nrecall, and F1 scores are affected.\n\n### Confusion matrix\n\nThe **confusion matrix** shows how a prediction compares to the test set (ground\ntruth).\n\nRecall that label \"1\" is the negative class (the customer did not sign up for a\nterm deposit) and \"2\" is the positive class. Your model likely did a better job\npredicting the negative class than the positive class. Perhaps with additional\ntraining time, more data, or additional features, you could improve predictive\nperformance for the positive class.\n\n### Feature importance\n\n**Feature importance** shows how each feature impacted model training: The\nhigher the value, the more impactful.\n\nYour model probably shows that **duration** (how long the most recent\ncommunication between the bank and customer lasted, in seconds) contributed\nheavily to the prediction outcome.\n\nDeploy your model to an endpoint\n--------------------------------\n\nTo test a model or make online predictions, you need to deploy it to an endpoint.\n\n1. Open the **Deploy \\& Test** panel.\n\n2. Under **Deploy your model** , click **Deploy to endpoint**.\n\n3. Enter `Structured_AutoML_Tutorial` for the endpoint name.\n\n4. Click **Continue**.\n\n5. Keep the minimum compute node at `1` and don't enter a maximum.\n\n6. Select `n1-standard-2` machine type.\n\n7. Click **Continue**.\n\n8. Turn off model monitoring for this endpoint.\n\n9. To create your endpoint and deploy your model to the endpoint,\n click **Deploy**.\n\n Model deployment takes around 5 minutes. When your endpoint is ready, proceed\n to the next part of the tutorial.\n | **Note:** Make sure to undeploy the model later so you aren't charged for additional compute resources. We'll show you how to do that at the end of this tutorial.\n\nRequest a prediction\n--------------------\n\nNow that your model is deployed to an endpoint, you can send prediction\nrequests. Rather than send a request through the API or gcloud, you can test\nyour model on this page.\n\n1. In the **Test your model** section, you'll see a **Value** column that's\n pre-filled. You can use those values or enter new ones.\n\n2. At the bottom of the section, press **Predict**.\n\n For this model, a prediction result of `1` represents a negative\n outcome---a deposit is not made at the bank. A prediction result of `2`\n represents a positive outcome---a deposit is made at the bank.\n\n Your model will return a confidence score, which is the model's level of\n certainty that the selected label is the correct one. The default value\n probably returned a high confidence score.\n3. **Optional** . Try changing **duration** to a much higher value and press Predict again.\n\nWhat's next\n-----------\n\n- To avoid incurring unexpected charges, follow the instructions in\n [Clean up your project](/vertex-ai/docs/tutorials/tabular-automl/cleanup)\n\n- [Learn more](/vertex-ai/docs/tabular-data/classification-regression/evaluate-model)\n about model evaluation.\n\n- [Learn more](/vertex-ai/docs/tabular-data/classification-regression/get-online-predictions)\n about model predictions."]]
