설명:
박스 1 : 300
300(%)을 입력하면 모듈은 원래 데이터 세트(1000)에 비해 소수 민족 사례의 비율(3000)을 3배로 늘립니다.
박스 2 : 5
5개의 데이터 행을 사용해야 합니다.
Number of nearest neighbors 옵션을 사용하여 SMOTE 알고리즘이 새로운 케이스를 구축할 때 사용하는 피처 공간의 크기를 결정합니다. 가장 가까운 이웃은 일부 대상 케이스와 매우 유사한 데이터 행(케이스)입니다. 두 케이스 간의 거리는 모든 피처의 가중 벡터를 결합하여 측정합니다.
최근접 이웃의 수를 늘리면 더 많은 사례에서 특성을 얻을 수 있습니다.
최근접 이웃의 수를 낮게 유지함으로써 원래 샘플과 더 비슷한 특징을 사용할 수 있습니다.
참고문헌:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smote

자동적 특징화는 비선형 모델에도 적합합니다.
참조:
https://econml.azurewebsites.net/spec/estimation/dml.html
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-use-automated-ml-for-ml-models 모델 개발 Testlet 1 사례 연구 개요 귀하는 프로 스포츠 이벤트에 대한 데이터 과학을 제공하는 회사의 데이터 과학자입니다. 모델은 글로벌 및 로컬 시장 데이터를 사용하여 다음 비즈니스 목표를 충족합니다.
* 군중 반응 오디오를 기반으로 스포츠 행사에서 모바일 기기 사용자의 감정을 이해합니다.
* 사용자가 광고에 반응하는 경향을 평가합니다.
* 모바일 기기에 게재되는 광고의 스타일을 사용자 지정합니다.
* 비디오를 사용하여 페널티 이벤트 감지
현재 환경
* 페널티 이벤트 감지에 사용되는 미디어는 소비자 기기에서 제공합니다. 미디어에는 스포츠 이벤트 중에 캡처하여 소셜 미디어를 통해 공유한 이미지와 비디오가 포함될 수 있습니다. 이미지와 비디오는 크기와 형식이 다양합니다.
* 모델 구축에 사용할 수 있는 데이터는 7년간의 스포츠 이벤트 미디어로 구성되어 있습니다. 스포츠 이벤트 미디어에는 녹화된 비디오 대본 또는 라디오 해설, 스포츠 이벤트 중에 캡처한 관련 소셜 미디어 피드의 로그가 포함됩니다.
* 군중의 감정에는 이벤트 참석자가 제출한 모노 및 스테레오 포맷의 오디오 녹음이 포함됩니다.
페널티 감지 및 감정
* 데이터 과학자는 페널티 이벤트 감지를 위해 여러 머신 러닝 모델을 사용하여 지능형 솔루션을 구축해야 합니다.
* 데이터 과학자는 머신 러닝 파이프라인에서 자동 기능 엔지니어링과 모델 구축을 사용하여 로컬 환경에서 노트북을 구축해야 합니다.
* 동적 작업자 할당을 사용하여 Spark 인스턴스를 사용하여 재교육하려면 노트북을 배포해야 합니다.
* 노트북은 데이터 소스만 다시 코딩하기 위해 새로운 Spark 인스턴스에서 동일한 코드로 실행되어야 합니다.
* 글로벌 페널티 감지 모델은 훈련 중에 동적 런타임 그래프 계산을 사용하여 훈련되어야 합니다.
* 로컬 페널티 감지 모델은 BrainScript를 사용하여 작성해야 합니다.
* 지역 군중 감정 모델에 대한 실험은 지역 페널티 감지 데이터를 결합해야 합니다.
* 군중 감정 모델은 환호와 알려진 캐치프레이즈와 같은 알려진 소리를 식별해야 합니다. 개별 군중 감정 모델은 유사한 소리를 감지합니다.
* 로컬 모델의 모든 공유 특성은 연속 변수입니다.
* 공유 기능은 이중 정밀도를 사용해야 합니다. 후속 레이어에는 집계 실행 평균 및 표준 편차 메트릭이 있어야 합니다.
광고
생산을 시작한 후 몇 주 동안 다음과 같은 사항이 관찰되었습니다.
* 광고 응답 평가가 거부되었습니다.
* 광고 스타일에 따라 드롭이 일관되지 않았습니다.
* 훈련 및 프로덕션 데이터에서 기능의 분포가 일관되지 않음 분석 결과, 사용자 위치 및 행동에 대한 100개 숫자 기능 중 위치 소스에서 나온 47개 기능이 원시 기능으로 사용되고 있습니다. 편향 및 분산 문제를 해결하기 위해 제안된 실험은 선형적으로 상관되지 않은 10개 기능을 엔지니어링하는 것입니다.
* 초기 데이터 발견 결과, 군중 감정 모델에 사용된 훈련 데이터에서 대상 상태의 밀도 범위가 매우 넓은 것으로 나타났습니다.
* 모든 페널티 감지 모델은 확률적 경사 하강법(SGD)을 사용하는 추론 단계가 너무 느리게 실행됨을 보여줍니다.
* 오디오 샘플에 따르면 캐치프레이즈의 길이는 지역에 따라 25%-47%까지 차이가 ​​나는 것으로 나타났습니다.
* 글로벌 페널티 감지 모델의 성능은 훈련 및 검증 세트를 비교할 때 분산은 낮지만 편향은 높습니다. 기능 변경을 구현하기 전에 모든 훈련 및 검증 사례를 사용하여 편향과 분산을 확인해야 합니다.
* 광고 응답 모델은 각 이벤트 시작 전에 교육을 받아야 하며, 스포츠 이벤트 기간 동안 적용되어야 합니다.
* 시장 세분화 모델은 유사한 광고 반응 기록을 최적화해야 합니다.
* 샘플링은 동일한 특징을 공유하는 로컬 및 글로벌 세분화 모델 간에만 상호적이고 집합적으로 보장되어야 합니다.
* 사용자가 광고에 반응할 가능성을 파악하기 전에 지역 시장 세분화 모델이 적용됩니다.
* 광고 응답 모델은 기능의 비선형 경계를 지원해야 합니다.
* 광고 성향 모델은 절단 임계값을 0.45로 사용하고 가중 카파가 벗어나면 재학습이 발생합니다.
0.1 +/- 5%.
* 광고 성향 모델은 다음 다이어그램에 표시된 비용 요소를 사용합니다.

* 광고 성향 모델은 다음 다이어그램에 표시된 제안된 비용 요소를 사용합니다.

* 현재 및 제안된 비용 요인 시나리오의 성능 곡선은 다음 다이어그램에 표시됩니다.

설명