설명
임의 그리드에서 최대 실행 횟수: 이 옵션은 매개변수 값의 임의 샘플링에 대한 반복 횟수도 제어하지만, 값은 지정된 범위에서 임의적으로 생성되지 않습니다. 대신 매개변수 값의 모든 가능한 조합으로 매트릭스를 만들고 매트릭스에 대한 임의 샘플링을 수행합니다. 이 방법은 더 효율적이고 지역적 과다 샘플링이나 과소 샘플링이 덜 발생합니다.
통합된 매개변수 스윕을 지원하는 모델을 훈련하는 경우 사용할 시드 값 범위를 설정하고 랜덤 시드를 반복할 수도 있습니다. 이는 선택 사항이지만 시드 선택으로 인해 발생하는 편향을 피하는 데 유용할 수 있습니다.
주제 2, 사례 연구 1
개요
당신은 프로 스포츠 이벤트에 대한 데이터 과학을 제공하는 회사의 데이터 과학자입니다. 모델은 다음과 같은 비즈니스 목표를 충족하기 위해 글로벌 및 로컬 시장 데이터가 될 것입니다.
* 군중 반응 오디오를 기반으로 스포츠 행사에서 모바일 기기 사용자의 감정을 이해합니다.
* 사용자가 광고에 반응하는 경향을 파악합니다.
*모바일 기기에 게재되는 광고의 스타일을 사용자 지정합니다.
*비디오를 사용하여 페널티 이벤트를 감지합니다.
현재 환경
요구 사항
* 페널티 이벤트 감지에 사용되는 미디어는 소비자 기기에서 제공합니다. 미디어에는 스포츠 이벤트 중에 캡처한 이미지와 비디오가 포함될 수 있으며 소셜 미디어를 사용하여 잡힙니다. 이미지와 비디오는 크기와 형식이 다양합니다.
* 모델 구축에 사용할 수 있는 데이터는 7년간의 스포츠 이벤트 미디어로 구성되어 있습니다. 스포츠 이벤트 미디어에는 녹화된 비디오, 라디오 해설 대본, 스포츠 이벤트 중에 캡처한 관련 소셜 미디어 피드의 로그가 포함됩니다.
*군중의 감정에는 이벤트 참석자가 제출한 모노 및 스테레오 형식의 오디오 녹음이 포함됩니다.
광고
* 광고 응답 모델은 각 이벤트 시작 전에 교육을 받아야 하며, 스포츠 이벤트 기간 동안 적용되어야 합니다.
* 시장 세분화는 유사한 광고 응답 기록을 최적화해야 합니다.
* 샘플링은 동일한 특징을 공유하는 로컬 및 글로벌 세분화 모델에 대한 상호 및 집단적 독점성을 보장해야 합니다.
* 사용자가 광고에 반응할 가능성을 파악하기 전에 지역 시장 세분화 모델이 적용됩니다.
* 데이터 과학자는 모델 저하와 붕괴를 감지할 수 있어야 합니다.
* 광고 응답 모델은 비선형 경계 기능을 지원해야 합니다.
* 광고 성향 모델은 절단 임계값을 0.45로 사용하고 가중 카파가 0.1+/-5%에서 벗어나면 재학습이 발생합니다.
* 광고 성향 모델은 다음 다이어그램에 표시된 비용 요소를 사용합니다.

광고 성향 모델은 다음 다이어그램에 표시된 제안된 비용 요소를 사용합니다.

다음 다이어그램은 현재 및 제안된 비용 요인 시나리오의 성능 곡선을 보여줍니다.

페널티 감지 및 감정
결과
*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.
*노트북은 동적 작업자 할당을 사용하여 Spark 인스턴스를 사용하여 재교육되도록 배포되어야 합니다.
*노트북은 데이터 소스만 다시 코딩하기 위해 새로운 Spark 인스턴스에서 동일한 코드로 실행되어야 합니다.
*전역 페널티 감지 모델은 훈련 중에 동적 런타임 그래프 계산을 사용하여 훈련해야 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. 사용 가능.
세그먼트
생산을 시작한 후 몇 주 동안 다음과 같은 사항이 관찰되었습니다.
*광고 반응률이 감소했습니다.
*광고 스타일에 따라 드롭이 일관되지 않았습니다.
*훈련 및 프로덕션 데이터 전반의 기능 분포가 일관되지 않습니다.
분석 결과 사용자 위치 및 행동에 대한 100개 숫자적 특징 중 위치 소스에서 나온 47개 특징이 원시 특징으로 사용되고 있습니다. 편향 및 분산 문제를 해결하기 위해 제안된 실험은 선형적으로 보정되지 않은 10개 특징을 엔지니어링하는 것입니다.
페널티 감지 및 감정
*초기 데이터 발견은 군중 감정 모델에 사용되는 훈련 데이터에서 타겟 상태의 밀도가 매우 다양함을 보여줍니다.
*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% 다릅니다.
* 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.

설명:

설명:
박스 1 : 0.859122
박스 2: 양의 선형 관계
+1은 강력한 양의 선형 관계를 나타냅니다.
-1은 강한 음의 선형 상관관계를 나타냅니다.
0은 두 변수 사이에 선형 관계가 없음을 나타냅니다.
참고문헌:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-linear-correlation

설명:
1단계: 데이터 증강
시나리오: 각 데이터 세트의 열에는 누락된 값과 null 값이 포함되어 있습니다. 데이터 세트에는 또한 많은 이상치가 포함되어 있습니다.
2단계: 베이지안 선형 회귀 모듈을 추가합니다.
시나리오: 선형 회귀 및 베이지안 선형 회귀 모듈을 사용하여 부동산 가격을 예측하는 회귀 모델을 생성합니다.
3단계: 정규화 가중치를 구성합니다.
정규화는 일반적으로 과적합을 피하기 위해 사용됩니다. 예를 들어, L2 정규화 가중치에서 L2 정규화의 가중치로 사용할 값을 입력합니다. 과적합을 피하기 위해 0이 아닌 값을 사용하는 것이 좋습니다.
대본:
모델 적합성: 모델이 과적합의 징후를 보입니다. 과적합을 줄이는 더 정제된 회귀 모델을 만들어야 합니다.
잘못된 답변:
멀티클래스 결정 정글 모듈:
결정 정글은 결정 숲에 대한 최근 확장입니다. 결정 정글은 결정 지향 비순환 그래프(DAG)의 앙상블로 구성됩니다.
L-BFGS:
L-BFGS는 "제한된 메모리 Broyden-Fletcher-Goldfarb-Shanno"를 의미합니다. wwo-Class Logistic Regression 모듈에서 찾을 수 있으며, 이 모듈은 두 가지(그리고 오직 두 가지) 결과를 예측하는 데 사용할 수 있는 로지스틱 회귀 모델을 만드는 데 사용됩니다.
참고문헌:
<https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/선형-회귀>

설명


박스 1: True Positive
참 양성은 모델이 양성 클래스를 올바르게 예측한 결과입니다. 상자 2: 참 음성 참 음성은 모델이 음성 클래스를 올바르게 예측한 결과입니다.
박스 3: 거짓 양성
거짓 양성은 모델이 양성 클래스를 잘못 예측한 결과입니다.
박스 4: 거짓 부정
거짓 부정은 모델이 부정 클래스를 잘못 예측한 결과입니다.
참고: 다음과 같이 정의해 보겠습니다.
"늑대"는 긍정적인 등급입니다.
"늑대 없음"은 부정적인 등급입니다.
우리는 네 가지 가능한 결과를 모두 묘사하는 2x2 혼동 행렬을 사용하여 "늑대 예측" 모델을 요약할 수 있습니다.
참조:
https://developers.google.com/machine-learning/crash-course/classification/true-false-긍정적-negative