알고리즘 선택

고급 예측에 사용할 알고리즘을 선택합니다.

고급 예측에 사용할 알고리즘을 정의하려면 다음을 수행합니다.

1. 알고리즘 선택 섹션에서 사용할 알고리즘을 선택합니다.

   • Oracle AutoMLx - 10개의 독점 알고리즘(단변량 및 다변량 둘 다 포함) 제품군으로, 제공된 오차 측정항목에 가장 적합한 모델을 자동으로 선택합니다. 이러한 알고리즘을 모두 실행하여 최상의 결과를 제공하는 최상의 옵션을 선택합니다.

     • 데이터에 대해 다양한 통계 모델 및 머신 러닝 알고리즘을 실행합니다.
     • 모델을 조정하고 검증합니다.
     • 데이터에 가장 적합한 모델을 찾습니다.
     • 데이터를 가장 적합한 모델에 맞춥니다.

   • Light GBM - Light Gradient Boosting은 규모가 큰 데이터 세트에 적합한 앙상블 및 트리 기반의 속도가 효율적인 알고리즘입니다. 다른 기능에 비해 시간에 대한 가중치가 낮은 데이터 세트에 가장 적합합니다.

   • XGBoost - Extreme Gradient Boosting은 다른 기능에 비해 시간에 대한 가중치가 낮은 데이터 세트에 가장 적합한 앙상블 및 트리 기반 알고리즘입니다.

   • Prophet - 계절 효과가 크고 과거 데이터 계절이 여러 개인 데이터에 가장 적합한 시계열 알고리즘입니다.

   • SARIMAX - 외생적 알고리즘을 사용하는 Arima입니다.

2. 선택된 알고리즘에 사용할 예측 오차 메트릭을 선택하여 알고리즘이 가장 적합한 모델을 선택하는 방법을 정의합니다. 선택된 오차 메트릭을 기반으로 모델 학습을 최적화하여 예측에 사용할 최상의 옵션을 결정합니다. ML 엔진은 데이터의 패턴을 학습하여 가능한 한 오차를 최소화하는 최상의 옵션을 찾습니다. ML 엔진은 선택한 오차 메트릭에 대해 각 반복을 평가하고, 오차 메트릭이 최저인 경우 반복을 선택합니다.
   • sMAPE - 대칭 평균 절대 백분율 오차
   • MAPE - 평균 절대 백분율 오차
   • RMSE - 평균 제곱근 오차

   선택한 오차 측정항목을 사용하여 고급 예측은 다음을 수행합니다.

   • 오차가 가장 적은 모델을 가장 적합한 모델로 선택합니다.
   • 가장 적합한 모델에 대해 다음을 수행합니다.
     • 입력 계열에 해당하는 적정 계열을 생성합니다.
     • 대상 기간에 대한 예측을 생성합니다.