Monotonicity Constraints¶
단조성은 변수 가공 파이프라인, 적합 모델 또는 전체 모델링 파이프라인에 적용될 수 있습니다.
monotonicity constraints는 지정된 특성 및 Target 예측 사이에 단조 관계를 적용합니다. 예를 들어 주택 가격을 예측하도록 학습된 모델이 주어진 경우, 해당 모델은 부지 크기가 증가하면 주택 가격이 높아지고 주변 범죄율이 증가하면 주택 가격이 낮아지게 예측하도록 적용할 수 있습니다.
monotonicity constraints가 활성화되면 Driverless AI는 단조성의 존재 여부를 자동으로 확인한 후 이를 모델링 파이프라인의 전체 또는 일부를 통해 적용합니다. 특성과 Target 사이의 상관관계 수준에 따라 Driverless AI는 양의 또는 음의 monotonicity constraints를 할당하거나 아니면 monotonicity constraints를 아예 할당하지 않습니다. 특히, 절대 상관관계가 특정 임계값(기본값 0.1)보다 클 경우 단조성이 적용됩니다.
클릭 한 번으로 entire monotonic gbm modeling pipeline 을 빌드하려면, 사용자는 전문가 패널의 실험 설정에서 monotonic_gbm recipe 를 선택하면 됩니다. Driverless AI가 여러 가지 설정을 자동으로 조정하여 변수 가공 및 모델 빌드 수준에서 단조성이 적용됩니다. 더 자세한 내용은 실험 전문가 설정의 파이프라인 빌드 레시피에서 Monotonic GBM 을 참조하십시오.
좀 더 미세한 제어, 임계값 초과, monotonicity constraints의 수동 오버라이드 등은 실험 전문가 패널의 특성 설정 밑에 있는 these settings 를 참조하십시오.
단조 적합 모델을 빌드하려면, 다음을 확인하십시오.
실험의 해석 가능성 설정은 반드시 기본값이 7인 monotonicity_constraints_interpretability_switch 이상이어야 합니다. 따라서 실험 및/또는
monotonicity_constraints_interpretability_switch에 대한 해석 가능성 설정을 전환하여 이를 달성할 수 있습니다.최종 모델은 반드시 선형(예: GLMModel)이거나 다른 방식으로 monotonicity constraints(LightGBMModel, XGBoostGBMModel, XGBoostDartModel 또는 Decision Tree 모델)를 지원해야 합니다. 이것은 전문가 패널의 모델 설정에서 ‘ON’으로 설정할 수 있습니다앙상블 레벨은 fixed_ensemble_level 레벨을 설정하여 전환할 수 있습니다. 앙상블 모델이 없는 경우 0으로 설정합니다.
Target과의 상관 관계가 낮은 기능을 삭제합니다. monotonicity constraints drop low correlation features 을 참조하십시오.
회귀 분석의 경우, target_transformer 가 〈identity’ 또는 〈identity_noclip’ 과 같은 단조인지 확인하십시오. 전문가 패널의 실험 설정에서 전환할 수 있습니다.
단조 변수 가공의 경우 :
다중 특성 상호 작용에서 엔지니어링된 특성을 비활성화합니다. 즉, 전문가 설정 패널의 특성 설정에서 max_feature_interaction_depth 를 1로 설정합니다.
수치형에서 범주형 특성으로 변환되지 않도록 비활성화합니다. 즉, 전문가 설정 패널의 특성 설정에서 num_as_cat 을 False로 설정합니다.
수치형 특성의 경우, 단조 변환만 허용합니다즉, 전문가 패널의 레시피 설정에서만 included_transformers 를 [〈OriginalTransformer〉]로 설정합니다.
다음 표에는 단조 Driverless AI 모델링 파이프라인을 생성하기 위한 설정의 예시가 나열되어 있습니다. 클릭 한 번으로 전체 단조 gbm 모델링 파이프라인을 활성화하려면 실험 전문가 설정의 파이프라인 빌드 레시피에서 monotonic_gbm recipe 를 참조하세요.
구성 명칭 |
값 |
설명 |
|---|---|---|
monotonicity_constraints_interpretability_switch |
1 |
해석 가능성 노브 값과 같거나 작은 값으로 monotonicity constraints를 트리거합니다. |
monotonicity_constraints_correlation_threshold |
0.01 |
특성과 Target 사이의 피어슨 적률 상관계수 임계값을 설정합니다. |
monotonicity_constraints_drop_low_correlation_features |
True |
monotonicity_constraints_correlation_threshold 양 미만의 특성을 삭제합니다. |
max_feature_interaction_depth |
1 |
특성 상호 작용에서 엔지니어링 특성을 방지합니다. |
num_as_cat |
False |
수치적 특성의 범주형 변환을 방지합니다. |
feature_brain_level |
0 |
모든 재시작이 동일하도록 〈feature brain’을 끕니다. |
included_models |
[〈LightGBMModel〉, 〈XGBoostGBMModel〉] |
monotonicity constraints를 준수하는 모델 |
included_transformers |
[〈OriginalTransformer〉, 〈CatOriginalTransformer〉, 〈RawTransformer〉, 〈CVTargetEncodeTransformer〉, 〈FrequentTransformer〉, 〈WeightOfEvidenceTransformer〉, 〈OneHotEncodingTransformer〉], [〈CatTransformer〉, 〈StringConcatTransformer〉], [〈DateOriginalTransformer〉, 〈DateTimeOriginalTransformer〉, 〈DatesTransformer〉, 〈DateTimeDiffTransformer〉, 〈IsHolidayTransformer〉, 〈LagsTransformer〉, 〈EwmaLagsTransformer〉, 〈LagsInteractionTransformer〉, 〈LagsAggregatesTransformer〉], [〈TextOriginalTransformer〉, 〈TextTransformer〉, 〈StrFeatureTransformer〉, 〈TextCNNTransformer〉, 〈TextBiGRUTransformer〉, 〈TextCharCNNTransformer〉], [〈BERTTransformer〉, 〈ImageOriginalTransformer〉, 〈ImageVectorizerTransformer〉] |
단조 변환(목록 순서: 수치, 범주, 날짜/시간, 문자 및 이미지) |