기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# 사용자 지정 모델
Amazon SageMaker Canvas에서는 특정 데이터 및 사용 사례에 맞춤화된 사용자 지정 기계 학습 모델을 훈련할 수 있습니다. 데이터를 기반으로 사용자 지정 모델을 훈련함으로써 데이터를 가장 잘 대표하는 구체적이고 대표적인 특성과 추세를 포착할 수 있습니다. 예를 들어 물류 작업을 관리하기 위해 웨어하우스의 재고 데이터를 기반으로 훈련하는 사용자 지정 시계열 예측 모델을 만들 수 있습니다.
Canvas는 다양한 모델 유형의 훈련을 지원합니다. 사용자 지정 모델을 훈련한 후 모델의 성능과 정확도를 평가할 수 있습니다. 모델에 만족하면 새 데이터에 대해 예측을 수행할 수 있으며, 사용자 지정 모델을 추가 분석을 위해 데이터 과학자와 공유하거나 실시간 추론을 위해 SageMaker AI 호스팅 엔드포인트에 배포할 수 있는 옵션도 있습니다. 이 모든 것이 Canvas 애플리케이션 내에서 가능합니다.
다음 유형의 데이터세트를 기반으로 Canvas 사용자 지정 모델을 훈련할 수 있습니다.
+ 테이블 형식(숫자, 범주형, 시계열, 텍스트 데이터 포함)
+ 이미지
다음 테이블에는 Canvas에서 빌드할 수 있는 사용자 지정 모델 유형과 지원되는 데이터 유형 및 데이터 소스가 나와 있습니다.
| 모델 유형 | 사용 사례 | 지원되는 데이터 유형 | 지원되는 데이터 원본 |
| --- | --- | --- | --- |
| 수치 예측 | 평방 피트와 같은 특징을 기반으로 주택 가격 예측 | Numeric | 로컬 업로드, Amazon S3, SaaS 커넥터 |
| 2개 범주 예측 | 고객 이탈 가능성 여부 예측 | 바이너리 또는 범주형 | 로컬 업로드, Amazon S3, SaaS 커넥터 |
| 3개 이상의 범주 예측 | 퇴원 후 환자 치료 결과 예측 | 범주형 | 로컬 업로드, Amazon S3, SaaS 커넥터 |
| 시계열 예측 | 다음 분기의 인벤토리 예측 | 시계열 | 로컬 업로드, Amazon S3, SaaS 커넥터 |
| 단일 레이블 이미지 예측 | 이미지 내 제조 결함 유형 예측 | 이미지(JPG, PNG) | 로컬 업로드, Amazon S3 |
| 다중 범주 텍스트 예측 | 제품 설명을 기반으로 의류, 전자제품 또는 가정용품과 같은 제품 카테고리 예측 | 소스 열: 텍스트 대상 열: 바이너리 또는 범주형 | 로컬 업로드, Amazon S3 |
**시작**
사용자 지정 모델에서 예측을 구축하고 생성하는 작업을 시작하려면 다음을 수행하세요.
+ 구축하려는 모델의 사용 사례와 유형을 결정합니다. 사용자 정의 모델 유형에 대한 자세한 내용은 [사용자 지정 모델 작동 방식](canvas-build-model.md)을 참조하세요. 사용자 정의 모델에 지원되는 데이터 유형 및 소스에 대한 자세한 내용은 [데이터 가져오기](canvas-importing-data.md)을 참조하세요.
+ Canvas로 [데이터를 가져옵니다](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-importing-data.html). 입력 요구 사항을 충족하는 테이블 형식 또는 이미지 데이터세트로 사용자 지정 모델을 만들 수 있습니다. 입력 요구 사항에 대한 자세한 내용은 [데이터세트 생성](canvas-import-dataset.md)을 참조하세요.
실험에 사용할 수 있는 SageMaker AI 제공 샘플 데이터세트에 대해 자세히 알아보려면 [Canvas의 샘플 데이터세트](canvas-sample-datasets.md) 섹션을 참조하세요.
+ 사용자 지정 모델을 [빌드](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html)합니다. **빠른 빌드**를 사용하여 모델을 얻고 보다 빠르게 예측을 시작하거나 **표준 빌드**를 사용하여 정확도를 높일 수 있습니다.
숫자, 범주형 및 시계열 예측 모델 유형의 경우 [Data Wrangler 기능](canvas-data-prep.md)을 사용하여 데이터를 정리하고 준비할 수 있습니다. Data Wrangler에서 데이터 흐름을 만들고 고급 변환 적용 또는 데이터세트 조인과 같은 다양한 데이터 준비 기법을 사용할 수 있습니다. 이미지 예측 모델의 경우 [이미지 데이터세트 편집](canvas-edit-image.md)하여 레이블을 업데이트하거나 이미지를 추가 및 삭제할 수 있습니다. 단, 다중 범주 텍스트 예측 모델에는 이러한 기능을 사용할 수 없습니다.
+ [모델의 성능을 평가](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html)하고 실제 데이터에서 모델의 성능이 어느 정도인지 판단하세요.
+ 모델을 사용하여 [단일 또는 배치 예측을 수행](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-make-predictions.html)할 수 있습니다.
# 사용자 지정 모델 작동 방식
Amazon SageMaker Canvas를 사용하여 가져온 데이터세트에 사용자 지정 모델을 구축할 수 있습니다. 구축한 모델을 사용하여 새 데이터를 예측하세요. SageMaker Canvas는 데이터세트의 정보를 사용하여 최대 250개의 모델을 구축하고 가장 성능이 좋은 모델을 선택합니다.
모델 구축을 시작하면 Canvas는 하나 이상의 *모델 유형*을 자동으로 추천합니다. 모델 유형은 다음 범주 중 하나에 속합니다.
+ **수치 예측** - 머신 러닝에서는 이를 *회귀*라고 합니다. 수치 데이터에 대한 예측을 수행하려는 경우 수치 예측 모델 유형을 사용하세요. 예를 들어, 주택의 면적과 같은 특징을 기반으로 주택 가격을 예측하고자 할 수 있습니다.
+ **범주형 예측** - 기계 학습에서는 이를 *분류*라고 합니다. 데이터를 그룹으로 분류하려면 범주형 예측 모델 유형을 사용하세요.
+ **2개 범주 예측** - 데이터에 대해 두 개의 범주를 예측하려는 경우 2개 범주 예측 모델 유형(기계 학습에서는 *바이너리 분류*라고도 함)을 사용합니다. 예를 들어, 고객의 이탈 가능성이 있는지 여부를 판단하고자 할 수 있습니다.
+ **3개 이상의 범주 예측** - 데이터에 대해 세 개 이상의 범주를 예측하려는 경우 3개 이상의 범주 예측 모델 유형(기계 학습에서는 *다중 클래스 분류*라고도 함)을 사용합니다. 예를 들어 이전 결제 등의 기능을 기반으로 고객의 대출 상태를 예측할 수 있습니다.
+ **시계열 예측** - 일정 기간 동안 예측하려는 경우 시계열 예측을 사용합니다. 예를 들어 다음 분기에 판매할 품목 수를 예측할 수 있습니다. 시계열 예측에 대한 자세한 내용은 [Amazon SageMaker Canvas의 시계열 예측](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-time-series.html)을 참조하세요.
+ **이미지 예측** - 이미지에 레이블을 할당하려는 경우 단일 레이블 이미지 예측 모델 유형(기계 학습에서는 *단일 레이블 이미지 분류*라고도 함)을 사용합니다. 예를 들어 제품 이미지의 여러 제조 결함 유형을 분류할 수 있습니다.
+ **텍스트 예측** - 텍스트 구절에 레이블을 지정하려면 다중 범주 텍스트 예측 모델 유형(기계 학습에서는 *다중 클래스 텍스트 분류*라고도 함)을 사용합니다. 예를 들어, 제품에 대한 고객 리뷰 데이터세트가 있고 고객이 해당 제품을 좋아했는지 싫어했는지 확인하려는 경우가 있습니다. 주어진 텍스트 구절이 `Positive`, `Negative`, 또는 `Neutral`인지 모델이 예측하도록 할 수 있습니다.
각 모델 유형에 지원되는 입력 데이터 유형의 테이블은 [사용자 지정 모델](canvas-custom-models.md)을 참조하세요.
빌드하는 각 테이블 형식 데이터 모델(수치, 범주형, 시계열 예측 및 텍스트 예측 모델 포함)에 대해 **대상 열**을 선택합니다. **대상 열**은 예측하려는 정보가 들어 있는 열입니다. 예를 들어 사용자의 구독 취소 여부를 예측하는 모델을 구축하는 경우 **대상 열**에는 사용자의 취소 상태에 대해 `yes`또는 `no`인 데이터 요소가 포함됩니다.
이미지 예측 모델의 경우 레이블이 지정된 이미지의 데이터세트를 사용하여 모델을 구축합니다. 레이블이 지정되지 않은 이미지를 제공하는 경우 모델이 레이블을 예측합니다. 예를 들어 이미지가 고양이인지 개인지 예측하는 모델을 구축하는 경우 모델을 구축할 때 고양이 또는 개 라벨이 붙은 이미지를 제공해야 합니다. 그러면 모델은 레이블이 지정되지 않은 이미지를 받아들이고 이를 고양이 또는 개로 예측할 수 있습니다.
**모델을 생성하면 발생하는 상황**
모델을 빌드하려면 **빠른 빌드** 또는 **표준 빌드**를 선택할 수 있습니다. **빠른 빌드**는 빌드 시간이 더 짧지만 **표준 빌드**는 일반적으로 정확도가 더 높습니다.
테이블 형식 및 시계열 예측 모델의 경우 Canvas는 *다운샘플링*을 사용하여 각각 5GB 또는 30GB보다 큰 데이터세트의 크기를 줄입니다. Canvas는 계층화된 샘플링 방법을 사용하여 다운샘플링합니다. 아래 표에는 다운샘플의 크기가 모델 유형별로 나열되어 있습니다. 샘플링 프로세스를 제어하려면 Canvas의 Data Wrangler를 사용하여 선호하는 샘플링 기법으로 샘플링할 수 있습니다. 시계열 데이터의 경우 데이터 포인트를 집계하기 위해 다시 샘플링할 수 있습니다. 샘플링에 대한 자세한 내용은 [샘플링](canvas-transform.md#canvas-transform-sampling) 섹션을 참조하세요. 시계열 데이터 재샘플링에 대한 자세한 내용은 [시계열 데이터 리샘플링](canvas-transform.md#canvas-resample-time-series) 섹션을 참조하세요.
5만 개 이상의 행이 있는 데이터세트에서 **빠른 빌드**를 수행하기로 한 경우 Canvas는 모델 훈련 시간을 줄이기 위해 데이터를 5만 개의 행까지 샘플링합니다.
다음 표에는 각 모델 및 빌드 유형의 평균 빌드 시간, 대규모 데이터세트로 모델을 빌드할 때 다운샘플 크기, 각 빌드 유형에 대해 보유해야 하는 최소 및 최대 데이터 포인트 수를 포함하여 모델 빌드 프로세스의 주요 특성이 요약되어 있습니다.
| Limit | 수치형 및 범주형 예측 | 시계열 예측 | 이미지 예측 | 텍스트 예측 |
| --- | --- | --- | --- | --- |
| **빠른 빌드** 시간 | 2\$120분 | 2\$120분 | 15\$130분 | 15\$130분 |
| **표준 빌드** 시간 | 2\$14시간 | 2\$14시간 | 2\$15시간 | 2\$15시간 |
| 다운샘플 크기(Canvas 다운샘플링 후 큰 데이터세트의 축소된 크기) | 5GB | 30GB | 해당 사항 없음 | 해당 사항 없음 |
| **빠른 빌드**의 최소 항목 수(행) | 2 범주: 500행 3 이상 범주, 숫자, 시계열: 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 | 해당 사항 없음 |
| **표준 빌드**의 최소 항목 수(행, 이미지 또는 문서) | 250 | 50 | 50 | 해당 사항 없음 |
| **빠른 빌드**를 위한 최대 항목 수(행, 이미지 또는 문서) | 해당 사항 없음 | 해당 사항 없음 | 5000 | 7500 |
| **표준 빌드**의 최대 항목 수(행, 이미지 또는 문서) | 해당 사항 없음 | 150,000 | 180,000 | 해당 사항 없음 |
| 최대 열 수 | 1,000 | 1,000 | 해당 사항 없음 | 해당 사항 없음 |
Canvas는 모델 유형에 따라 나머지 데이터세트의 정보를 사용하여 값을 예측합니다.
+ 범주형 예측의 경우 Canvas는 각 행을 **대상 열**에 나열된 범주 중 하나에 배치합니다.
+ 수치 예측의 경우 Canvas는 데이터세트의 정보를 사용하여 **대상 열**의 숫자 값을 예측합니다.
+ 시계열 예측의 경우 Canvas는 과거 데이터를 사용하여 미래의 **대상 열** 값을 예측합니다.
+ 이미지 예측의 경우 Canvas는 레이블이 지정된 이미지를 사용하여 레이블이 지정되지 않은 이미지의 레이블을 예측합니다.
+ 텍스트 예측의 경우 Canvas는 레이블이 지정된 텍스트 데이터를 분석하여 레이블이 지정되지 않은 텍스트 구절의 레이블을 예측합니다.
**모델을 구축하는 데 도움이 되는 추가 기능**
모델을 빌드하기 전에 Canvas에서 Data Wrangler를 사용하여 300개 이상의 내장 변환 및 연산자를 사용하여 데이터를 준비할 수 있습니다. Data Wrangler는 테이블 형식 및 이미지 데이터세트 모두에 대한 변환을 지원합니다. 또한 Canvas 외부의 데이터 소스에 연결하고, 전체 데이터세트에 변환을 적용하는 작업을 만들고, Canvas 외부의 ML 워크플로에서 사용할 수 있도록 완전히 준비되고 정리된 데이터를 내보낼 수 있습니다. 자세한 내용은 [데이터 준비](canvas-data-prep.md) 섹션을 참조하세요.
데이터를 탐색하고 모델에 포함할 기능을 확인하기 위해 시각화 및 분석을 보려면 Data Wrangler의 내장 분석을 사용하면 됩니다. 데이터세트의 잠재적 문제를 강조하고 수정 방법에 대한 권장 사항을 제공하는 **데이터 품질 및 인사이트 보고서**에도 액세스할 수 있습니다. 자세한 내용은 [탐색 데이터 분석(EDA) 수행](canvas-analyses.md) 섹션을 참조하세요.
Canvas는 Data Wrangler를 통해 제공되는 고급 데이터 준비 및 탐색 기능 외에도 사용할 수 있는 몇 가지 기본 기능을 제공합니다.
+ 데이터를 필터링하고 기본 데이터 변환 세트에 액세스하려면 [모델 빌드를 위한 데이터 준비](canvas-prepare-data.md) 섹션을 참조하세요.
+ 기능 탐색을 위한 간단한 시각화 및 분석에 액세스하려면 [데이터 탐색 및 분석](canvas-explore-data.md) 섹션을 참조하세요.
+ 모델 미리 보기, 데이터세트 검증, 모델 구축에 사용되는 무작위 샘플 크기 변경과 같은 추가 기능에 대한 자세한 내용은 [모델 미리 보기](canvas-preview-model.md)을 참조하세요.
여러 열이 있는 테이블 형식 데이터세트(예: 범주형, 수치형 또는 시계열 예측 모델 유형을 구축하기 위한 데이터세트)의 경우 데이터 포인트가 누락된 행이 있을 수 있습니다. Canvas는 모델을 빌드하는 동안 누락된 값을 자동으로 추가합니다. Canvas는 데이터세트의 값을 사용하여 누락된 값에 대한 수학적 근사치를 계산합니다. 모델 정확도를 극대화하려면 누락된 데이터를 찾을 수 있는 경우 추가하는 것이 좋습니다. 텍스트 예측 또는 이미지 예측 모델에는 누락된 데이터 기능이 지원되지 않는다는 점에 유의하세요.
**시작**
사용자 지정 모델 구축을 시작하려면 구축하려는 모델 유형의 절차를 확인하고 [모델 빌드](canvas-build-model-how-to.md)을 따르세요.
# 모델 미리 보기
**참고**
다음 기능은 테이블 형식의 데이터세트로 빌드된 사용자 지정 모델에만 사용할 수 있습니다. 다중 카테고리 텍스트 예측 모델도 제외됩니다.
SageMaker Canvas는 빌드를 시작하기 전에 모델을 미리 볼 수 있는 도구를 제공합니다. 이 도구를 통해 추정 정확도 점수를 얻을 수 있으며 각 열이 모델에 미치는 영향에 대해서도 사전에 아이디어를 얻을 수 있습니다.
모델 점수를 미리 보려면 모델의 **빌드** 탭에서 **모델 미리 보기**를 선택합니다.
모델 미리 보기는 모델이 데이터를 얼마나 잘 분석할 수 있는지에 대한 **추산 정확도** 예측을 생성합니다. **빠른 빌드**나 **표준 빌드**의 정확도는 모델이 실제 데이터에서 얼마나 잘 작동할 수 있는지를 나타내며 일반적으로 **예상 정확도**보다 높습니다.
또한 모델 미리 보기는 모델 예측에 대한 각 열의 중요성을 나타낼 수 있는 열 **영향** 점수를 제공합니다.
다음 스크린샷은 Canvas 애플리케이션의 모델 미리 보기를 보여줍니다.
![\[Canvas의 모델에 대한 빌드 탭의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-build/canvas-build-preview-model.png)
Amazon SageMaker Canvas는 모델을 구축하는 동안 데이터세트에서 누락된 값을 자동으로 처리합니다. 이는 데이터세트에 있는 인접 값을 사용하여 누락된 값을 유추합니다.
모델 미리 보기에 만족하고 모델 빌드를 계속 진행하려면 [모델 빌드](canvas-build-model-how-to.md) 섹션을 참조하세요.
# 데이터 유효성 검사
모델을 빌드하기 전에 SageMaker Canvas는 데이터세트에 빌드 실패를 유발할 수 있는 문제가 있는지 확인합니다. SageMaker Canvas에서 문제가 발견되면 모델을 빌드하기 전에 **빌드** 페이지에서 경고를 표시합니다.
**데이터 검증**을 선택하여 데이터세트의 문제 목록을 볼 수 있습니다. 그런 다음 빌드를 시작하기 전에 SageMaker Canvas [Data Wrangler 데이터 준비 기능](canvas-data-prep.md) 또는 자체 도구를 사용하여 데이터세트를 수정할 수 있습니다. 데이터세트 관련 문제를 해결하지 않으면 빌드가 실패합니다.
문제를 해결하기 위해 데이터세트를 변경하는 경우 빌드를 시도하기 전에 데이터세트를 다시 검증할 수 있습니다. 빌드하기 전에 데이터세트를 다시 검증하는 것이 좋습니다.
다음 표에는 SageMaker Canvas가 데이터세트에서 확인하는 문제와 이를 해결하는 방법이 나와 있습니다.
| 문제 | 해결 방법 |
| --- | --- |
| 데이터에 대한 잘못된 모델 유형 | 다른 모델 유형을 시도하거나 다른 데이터세트를 사용하세요. |
| 타겟 열에 값이 누락됨 | 누락된 값을 바꾸거나, 누락된 값이 있는 행을 삭제하거나, 다른 데이터세트를 사용하세요. |
| 대상 열에 고유 레이블이 너무 많음 | 대상 열에 올바른 열을 사용했는지 또는 다른 데이터세트를 사용하세요. |
| 대상 열에 숫자가 아닌 값이 너무 많음 | 다른 대상 열을 선택하거나, 다른 모델 유형을 선택하거나, 다른 데이터세트를 사용하세요. |
| 하나 이상의 열 이름에 이중 밑줄이 있음 | 이중 밑줄을 제거하도록 열 이름을 바꾸고 다시 시도하세요. |
| 데이터세트에 완전한 행이 없음 | 누락된 값을 바꾸거나 다른 데이터세트를 사용하세요. |
| 데이터의 행 수에 비해 고유 레이블이 너무 많음 | 올바른 대상 열을 사용하고 있는지 확인하거나, 데이터세트의 행 수를 늘리거나, 유사한 레이블을 통합하거나, 다른 데이터세트를 사용하세요. |
# 무작위 샘플
SageMaker Canvas는 무작위 샘플링 방법을 사용하여 데이터세트를 샘플링합니다. 무작위 샘플 방법을 사용하면 각 행이 샘플로 선택될 확률이 동일하다는 것을 의미합니다. 미리 보기에서 열을 선택하여 평균, 최빈값 등 무작위 샘플에 대한 요약 통계를 얻을 수 있습니다.
기본적으로 SageMaker Canvas는 행이 20,000개가 넘는 데이터세트에 대해 데이터세트에서 무작위로 20,000개 의 샘플 크기를 사용합니다. 행 수가 20,000개보다 작은 데이터세트의 경우 기본 샘플 크기는 데이터세트의 행 수입니다. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **무작위 샘플**을 선택하여 샘플 크기를 늘리거나 줄일 수 있습니다. 슬라이더를 사용하여 원하는 샘플 크기를 선택한 다음 **업데이트**를 선택하여 샘플 크기를 변경할 수 있습니다. 데이터세트에 대해 선택할 수 있는 최대 샘플 크기는 40,000개 행이고, 최소 샘플 크기는 500개 행입니다. 큰 샘플 크기를 선택하면 데이터세트 미리 보기 및 요약 통계를 다시 로드하는 데 몇 분 정도 걸릴 수 있습니다.
**빌드** 페이지에는 데이터세트의 100개 행에 대한 미리 보기가 표시됩니다. 샘플 크기가 데이터세트와 같은 경우 미리 보기에는 데이터세트의 처음 100개 행이 사용됩니다. 그렇지 않으면 미리보기에는 무작위 샘플의 처음 100개 행이 사용됩니다.
# 모델 빌드
다음 섹션에서는 사용자 지정 모델의 주요 유형 각각에 대한 모델을 구축하는 방법을 보여줍니다.
+ 수치 예측, 2개 범주 예측 또는 3개 이상의 범주 예측 모델을 구축하려면 [사용자 지정 수치형 또는 범주형 예측 모델 구축](#canvas-build-model-numeric-categorical)을 참조하세요.
+ 단일 레이블 이미지 예측 모델을 구축하려면 [사용자 지정 이미지 예측 모델 구축](#canvas-build-model-image)을 참조하세요.
+ 다중 카테고리 텍스트 예측 모델을 구축하려면 [사용자 지정 텍스트 예측 모델 구축](#canvas-build-model-text)을 참조하세요.
+ 시계열 예측 모델을 빌드하려면 [시계열 예측 모델 빌드](#canvas-build-model-forecasting) 섹션을 참조하세요.
**참고**
구축 후 분석 중에 `ml.m5.2xlarge`인스턴스 할당량을 늘리라는 오류가 발생하는 경우 [할당량 증가 요청](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-requesting-quota-increases.html)을 참조하세요.
## 사용자 지정 수치형 또는 범주형 예측 모델 구축
수치형 및 범주형 예측 모델은 **빠른 빌드**와 **표준 빌드**를 모두 지원합니다.
수치형 또는 범주형 예측 모델을 구축하려면 다음 절차를 사용하세요.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **새 모델**을 선택합니다.
1. **새 모델 생성** 대화 상자에서 다음 작업을 수행하세요.
1. **모델 이름** 필드에 이름을 입력합니다.
1. **예측 분석** 문제 유형을 선택합니다.
1. **생성(Create)**을 선택합니다.
1. **데이터 세트 선택**의 경우 데이터 세트 목록에서 데이터 세트를 선택합니다. 데이터를 아직 가져오지 않은 경우 **가져오기**를 선택하면 데이터 가져오기 워크플로를 통해 안내를 받을 수 있습니다.
1. 모델 구축을 시작할 준비가 되면 **데이터 세트 선택**을 선택합니다.
1. **빌드** 탭의 **대상 열** 드롭다운 목록에서 예측하려는 모델의 대상을 선택합니다.
1. **모델 유형**의 경우 Canvas가 자동으로 문제 유형을 감지합니다. 유형을 변경하거나 고급 모델 설정을 구성하려면 **모델 구성**을 선택합니다.
**모델 구성** 대화 상자가 열리면 다음을 수행합니다.
1. **모델 유형**에서 빌드하려는 모델 유형을 선택합니다.
1. 모델 유형을 선택하면 추가 **고급 설정**이 있습니다. 각 고급 설정에 대한 자세한 내용은 [고급 모델 빌드 구성](canvas-advanced-settings.md) 섹션을 참조하세요. 고급 설정을 구성하려면 다음을 수행합니다.
1. (선택 사항) **목표 지표** 드롭다운 메뉴에서 모델을 구축하는 동안 Canvas에서 최적화하려는 지표를 선택합니다. 지표를 선택하지 않으면 Canvas는 기본적으로 하나를 선택합니다. 사용 가능한 지표에 대한 자세한 설명은 [지표 참조](canvas-metrics.md) 섹션을 참조하세요.
1. **훈련 방법**에서 **자동**, **앙상블** 또는 **하이퍼파라미터 최적화(HPO) 모드**를 선택합니다.
1. **알고리즘**에서 모델 후보를 빌드하는 데 포함할 알고리즘을 선택합니다.
1. **데이터 분할**에서 **훈련 세트**와 **검증 세트** 간에 데이터를 분할하는 데 사용할 값을 백분율로 지정합니다. 훈련 세트는 모델을 빌드하는 데 사용되는 반면 검증 세트는 모델 후보의 정확도를 테스트하는 데 사용됩니다.
1. **최대 후보 및 런타임**의 경우 다음을 수행합니다.
1. **최대 후보** 값, 즉 Canvas가 생성할 수 있는 모델 후보의 최대 개수를 설정합니다. **최대 후보**는 HPO 모드에서만 사용할 수 있습니다.
1. **최대 작업 런타임**, 즉 Canvas가 모델을 빌드하는 데 사용할 수 있는 기간을 나타내는 시간 및 분 값을 설정합니다. 최대 시간이 지나면 Canvas는 빌드를 중지하고 최상의 모델 후보를 선택합니다.
1. 고급 설정을 구성한 후 **저장**을 선택합니다.
1. 데이터에서 열을 선택하거나 선택 취소하여 빌드에 포함하거나 삭제할 수 있습니다.
**참고**
모델을 빌드한 후 모델을 사용하여 배치 예측을 수행하면 Canvas에서 누락된 열을 예측 결과에 추가합니다. 하지만 Canvas는 시계열 모델의 배치 예측에 삭제된 열을 추가하지 않습니다.
1. (선택 사항) Canvas에서 제공하는 시각화 및 분석 도구를 사용하여 데이터를 시각화하고 모델에 포함할 기능을 결정하세요. 자세한 내용은 [데이터 탐색 및 분석](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html)을 참조하세요.
1. (선택 사항) 데이터 변환을 사용하여 모델 구축을 위해 데이터를 정리, 변환 및 준비할 수 있습니다. 자세한 내용은 [고급 변환으로 데이터 준비](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html)를 참조하세요. **모델 레시피**를 선택하고 **모델 레시피** 사이드 패널을 열어 변환을 보고 제거할 수 있습니다.
1. (선택사항) 모델의 정확도 미리 보기, 데이터 세트 검증, Canvas가 데이터 세트에서 가져오는 무작위 샘플의 크기 변경과 같은 추가 기능은 [모델 미리 보기](canvas-preview-model.md)을 참조하세요.
1. 데이터를 검토하고 데이터 세트를 변경한 후 **빠른 빌드** 또는 **표준 빌드**를 선택하여 모델 빌드를 시작하세요. 다음 스크린샷은 **빌드** 페이지와 **빠른 빌드** 및 **표준 빌드** 옵션을 보여줍니다.
![\[빠른 빌드와 표준 빌드 옵션을 보여주는 2가지 카테고리 모델의 빌드 페이지입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/build-page-tabular-quick-standard-options.png)
모델 빌드가 시작된 후에는 페이지에서 나가도 됩니다. 모델이 **내 모델** 페이지에 **준비**로 표시되면 분석 및 예측을 수행할 준비가 된 것입니다.
## 사용자 지정 이미지 예측 모델 구축
단일 레이블 이미지 예측 모델은 **빠른 빌드**와 **표준 빌드**를 모두 지원합니다.
단일 레이블 이미지 예측 모델을 빌드하려면 다음 절차를 사용하세요.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **새 모델**을 선택합니다.
1. **새 모델 생성** 대화 상자에서 다음 작업을 수행하세요.
1. **모델 이름** 필드에 이름을 입력합니다.
1. **이미지 분석** 문제 유형을 선택합니다.
1. **생성(Create)**을 선택합니다.
1. **데이터 세트 선택**의 경우 데이터 세트 목록에서 데이터 세트를 선택합니다. 데이터를 아직 가져오지 않은 경우 **가져오기**를 선택하면 데이터 가져오기 워크플로를 통해 안내를 받을 수 있습니다.
1. 모델 구축을 시작할 준비가 되면 **데이터 세트 선택**을 선택합니다.
1. **빌드** 탭에서 데이터세트의 이미지에 대한 **레이블 분포**를 확인할 수 있습니다. **모델 유형**은 **단일 레이블 이미지 예측**으로 설정되어 있습니다.
1. 이 페이지에서 이미지를 미리 보고 데이터세트를 편집할 수 있습니다. 레이블이 지정되지 않은 이미지가 있는 경우 **데이터세트 편집** 및 [레이블이 지정되지 않은 이미지에 레이블 지정](canvas-edit-image.md#canvas-edit-image-assign)을 선택하세요. 또한 [이미지 데이터세트 편집](canvas-edit-image.md)할 때 레이블 이름을 바꾸고 데이터세트에 이미지를 추가하는 등의 다른 작업을 수행할 수도 있습니다.
1. 데이터를 검토하고 데이터 세트를 변경한 후 **빠른 빌드** 또는 **표준 빌드**를 선택하여 모델에 대한 빌드를 시작합니다. 다음 스크린샷은 빌드 준비가 완료된 이미지 예측 모델의 **빌드** 페이지를 보여줍니다.
![\[단일 레이블 이미지 예측 모델의 빌드 페이지입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/build-page-image-model.png)
모델 빌드가 시작된 후에는 페이지에서 나가도 됩니다. 모델이 **내 모델** 페이지에 **준비**로 표시되면 분석 및 예측을 수행할 준비가 된 것입니다.
## 사용자 지정 텍스트 예측 모델 구축
다중 카테고리 텍스트 예측 모델은 **빠른 빌드**와 **표준 빌드**를 모두 지원합니다.
텍스트 예측 모델을 빌드하려면 다음 절차를 사용하세요.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **새 모델**을 선택합니다.
1. **새 모델 생성** 대화 상자에서 다음 작업을 수행하세요.
1. **모델 이름** 필드에 이름을 입력합니다.
1. **텍스트 분석** 문제 유형을 선택합니다.
1. **생성(Create)**을 선택합니다.
1. **데이터 세트 선택**의 경우 데이터 세트 목록에서 데이터 세트를 선택합니다. 데이터를 아직 가져오지 않은 경우 **가져오기**를 선택하면 데이터 가져오기 워크플로를 통해 안내를 받을 수 있습니다.
1. 모델 구축을 시작할 준비가 되면 **데이터 세트 선택**을 선택합니다.
1. **빌드** 탭의 **대상 열** 드롭다운 목록에서 예측하려는 모델의 대상을 선택합니다. 대상 열에는 바이너리 또는 범주형 데이터 유형이 있어야 하며 대상 열의 각 고유 레이블에 대해 최소 25개의 항목(또는 데이터 행)이 있어야 합니다.
1. **모델 유형**의 경우 모델 유형이 **다중 카테고리 텍스트 예측**으로 자동 설정되는지 확인하세요.
1. 훈련 열의 경우 텍스트 데이터의 소스 열을 선택합니다. 이는 분석할 텍스트가 포함된 열이어야 합니다.
1. **빠른 빌드** 또는 **표준 빌드**를 선택하여 모델 빌드를 시작합니다. 다음 스크린샷은 바로 빌드할 수 있는 텍스트 예측 모델의 **빌드** 페이지를 보여줍니다.
![\[다중 카테고리 텍스트 예측 모델을 위한 빌드 페이지입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/build-page-text-model.png)
모델 빌드가 시작된 후에는 페이지에서 나가도 됩니다. 모델이 **내 모델** 페이지에 **준비**로 표시되면 분석 및 예측을 수행할 준비가 된 것입니다.
## 시계열 예측 모델 빌드
시계열 예측 모델은 **빠른 빌드**와 **표준 빌드**를 모두 지원합니다.
시계열 예측 모델을 빌드하려면 다음 절차를 따릅니다.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **새 모델**을 선택합니다.
1. **새 모델 생성** 대화 상자에서 다음 작업을 수행하세요.
1. **모델 이름** 필드에 이름을 입력합니다.
1. **시계열 예측** 문제 유형을 선택합니다.
1. **생성(Create)**을 선택합니다.
1. **데이터 세트 선택**의 경우 데이터 세트 목록에서 데이터 세트를 선택합니다. 데이터를 아직 가져오지 않은 경우 **가져오기**를 선택하면 데이터 가져오기 워크플로를 통해 안내를 받을 수 있습니다.
1. 모델 구축을 시작할 준비가 되면 **데이터 세트 선택**을 선택합니다.
1. **빌드** 탭의 **대상 열** 드롭다운 목록에서 예측하려는 모델의 대상을 선택합니다.
1. **모델 유형** 섹션에서 **모델 구성**을 선택합니다.
1. **모델 구성** 상자가 열립니다. **시계열 구성** 섹션에서 다음 필드를 작성합니다.
1. **항목 ID 열**에서 데이터세트에서 각 행을 고유하게 식별하는 열을 선택합니다. 열의 데이터 유형은 `Text`여야 합니다.
1. (선택 사항) **그룹 열**에서 예측 값을 그룹화하는 데 사용할 범주형 열(데이터 유형 `Text`)을 하나 이상 선택합니다.
1. **타임스탬프 열**에서 타임스탬프가 있는 열(날짜/시간 형식)을 선택합니다. 허용되는 날짜/시간 형식에 대한 자세한 내용은 [Amazon SageMaker Canvas의 시계열 예측](canvas-time-series.md) 섹션을 참조하세요.
1. **예측 기간** 필드에 값을 예측할 기간을 입력합니다. Canvas는 데이터의 시간 단위를 자동으로 감지합니다.
1. (선택 사항) **휴일 일정 사용** 토글을 켜서 다양한 국가에서 휴일 일정을 선택하고 휴일 데이터를 사용한 예측을 더 정확하게 만듭니다.
1. **모델 구성** 상자에는 **고급** 섹션에 추가 설정이 있습니다. 각 고급 설정에 대한 자세한 내용은 [고급 모델 빌드 구성](canvas-advanced-settings.md) 섹션을 참조하세요. **고급** 설정을 구성하려면 다음을 수행합니다.
1. **목표 지표** 드롭다운 메뉴에서 모델을 빌드하는 동안 Canvas에서 최적화하려는 지표를 선택합니다. 지표를 선택하지 않으면 Canvas는 기본적으로 하나를 선택합니다. 사용 가능한 지표에 대한 자세한 설명은 [지표 참조](canvas-metrics.md) 섹션을 참조하세요.
1. 표준 빌드를 실행하는 경우 **알고리즘** 섹션이 표시됩니다. 이 섹션에서는 모델 빌드에 사용할 시계열 예측 알고리즘을 선택합니다. 사용 가능한 알고리즘의 하위 집합을 선택하거나 어떤 알고리즘을 시도할지 확실하지 않은 경우 모든 알고리즘을 선택할 수 있습니다.
표준 빌드를 실행할 때 Canvas는 예측 정확도를 최적화하기 위해 모든 알고리즘을 결합하는 앙상블 모델을 빌드합니다.
**참고**
빠른 빌드를 실행하는 경우 Canvas는 단일 트리 기반 학습 알고리즘을 사용하여 모델을 훈련하므로 알고리즘을 선택할 필요가 없습니다.
1. **예측 분위수**의 경우 최대 5개의 쉼표로 구분된 분위수 값을 입력하여 예측의 상한과 하한을 지정합니다.
1. **고급** 설정을 구성한 후 **저장**을 선택합니다.
1. 데이터에서 열을 선택하거나 선택 취소하여 빌드에 포함하거나 삭제할 수 있습니다.
**참고**
모델을 빌드한 후 모델을 사용하여 배치 예측을 수행하면 Canvas에서 누락된 열을 예측 결과에 추가합니다. 하지만 Canvas는 시계열 모델의 배치 예측에 삭제된 열을 추가하지 않습니다.
1. (선택 사항) Canvas에서 제공하는 시각화 및 분석 도구를 사용하여 데이터를 시각화하고 모델에 포함할 기능을 결정하세요. 자세한 내용은 [데이터 탐색 및 분석](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html)을 참조하세요.
1. (선택 사항) 데이터 변환을 사용하여 모델 구축을 위해 데이터를 정리, 변환 및 준비할 수 있습니다. 자세한 내용은 [고급 변환으로 데이터 준비](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html)를 참조하세요. **모델 레시피**를 선택하고 **모델 레시피** 사이드 패널을 열어 변환을 보고 제거할 수 있습니다.
1. (선택사항) 모델의 정확도 미리 보기, 데이터 세트 검증, Canvas가 데이터 세트에서 가져오는 무작위 샘플의 크기 변경과 같은 추가 기능은 [모델 미리 보기](canvas-preview-model.md)을 참조하세요.
1. 데이터를 검토하고 데이터 세트를 변경한 후 **빠른 빌드** 또는 **표준 빌드**를 선택하여 모델 빌드를 시작하세요.
모델 빌드가 시작된 후에는 페이지에서 나가도 됩니다. 모델이 **내 모델** 페이지에 **준비**로 표시되면 분석 및 예측을 수행할 준비가 된 것입니다.
# 고급 모델 빌드 구성
Amazon SageMaker Canvas는 모델을 빌드할 때 구성할 수 있는 다양한 고급 설정을 지원합니다. 다음 페이지에는 옵션 및 구성에 대한 추가 정보와 함께 모든 고급 설정이 나열되어 있습니다.
**참고**
다음 고급 설정은 현재 숫자, 범주형 및 시계열 예측 모델 유형에만 지원됩니다.
## 숫자 및 범주형 예측 모델 고급 설정
Canvas는 숫자 및 범주형 예측 모델 유형에 대해 다음과 같은 고급 설정을 지원합니다.
### 목표 지표
목표 지표는 모델을 빌드하는 동안 Canvas에서 최적화하려는 지표입니다. 지표를 선택하지 않으면 Canvas는 기본적으로 하나를 선택합니다. 사용 가능한 지표에 대한 자세한 설명은 [지표 참조](canvas-metrics.md) 섹션을 참조하세요.
### 훈련 방법
Canvas는 데이터세트 크기를 기반으로 훈련 방법을 자동으로 선택하거나 수동으로 선택할 수 있습니다. 다음 훈련 방법 중에서 선택할 수 있습니다.
+ **앙상블링** - SageMaker AI는 AutoGluon 라이브러리를 활용하여 여러 기본 모델을 훈련합니다. 데이터세트에 가장 적합한 조합을 찾기 위해 앙상블 모드에서는 다양한 모델 및 메타 파라미터 설정을 사용하여 5\$110회의 시험을 실행합니다. 이러한 모델은 적층 앙상블 방법으로 결합되어 최적의 예측 모델을 만듭니다. 테이블 형식 데이터에 대한 앙상블 모드에서 지원하는 알고리즘 목록은 다음 [알고리즘](#canvas-advanced-settings-predictive-algos) 섹션을 참조하세요.
+ **하이퍼파라미터 최적화(HPO)** - SageMaker AI는 데이터세트에서 훈련 작업을 실행하는 동안 베이지안 최적화 또는 다중 충실도 최적화를 사용하여 하이퍼파라미터를 조정하여 모델의 최적 버전을 찾습니다. HPO 모드는 데이터세트와 가장 관련이 있는 알고리즘을 선택하고 모델을 조정하는 데 가장 적합한 하이퍼파라미터 범위를 선택합니다. 모델을 조정하기 위해 HPO 모드에서는 최대 100회의 시도(기본값)를 실행하여 선택한 범위 내에서 최적의 하이퍼파라미터 설정을 찾습니다. 데이터세트 크기가 100MB 미만인 경우 SageMaker AI는 베이지안 최적화를 사용합니다. SageMaker AI는 데이터세트가 100MB를 초과하는 경우 다중 충실도 최적화를 선택합니다.
테이블 형식 데이터에 대한 HPO 모드에서 지원하는 알고리즘 목록은 다음 [알고리즘](#canvas-advanced-settings-predictive-algos) 섹션을 참조하세요.
+ **자동** - SageMaker AI는 데이터세트 크기에 따라 앙상블링 모드 또는 HPO 모드를 자동으로 선택합니다. 데이터세트가 100MB를 초과하는 경우 SageMaker AI는 HPO 모드를 선택합니다. 그렇지 않으면 앙상블 모드를 선택합니다.
### 알고리즘
**앙상블링** 모드에서 Canvas는 다음과 같은 기계 학습 알고리즘을 지원합니다.
+ [LightGBM](https://docs.aws.amazon.com/sagemaker/latest/dg/lightgbm.html) - 그라디언트 부스팅과 함께 트리 기반 알고리즘을 사용하는 최적의 프레임워크입니다. 이 알고리즘은 깊이가 아닌 폭이 커지고 속도에 고도로 최적화된 트리를 사용합니다.
+ [CatBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/catboost.html) - 그라디언트 부스팅과 함께 트리 기반 알고리즘을 사용하는 프레임워크입니다. 범주형 변수를 처리하도록 최적화되었습니다.
+ [XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) - 폭이 아닌 깊이가 증가하는 그라디언트 부스팅과 함께 트리 기반 알고리즘을 사용하는 프레임워크입니다.
+ [랜덤 포레스트](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html) - 대체물이 있는 데이터의 무작위 하위 샘플에 여러 가지 결정 트리를 사용하는 트리 기반 알고리즘입니다. 트리는 각 수준에서 최적의 노드로 분할됩니다. 각 트리의 결정을 함께 평균화하여 과적합을 방지하고 예측을 개선합니다.
+ [추가 트리](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.ExtraTreesClassifier.html#sklearn.ensemble.ExtraTreesClassifier) - 전체 데이터세트에서 여러 가지 결정 트리를 사용하는 트리 기반 알고리즘입니다. 트리는 각 수준에서 무작위로 분할됩니다. 각 트리의 결정을 평균화하여 과적합을 방지하고 예측을 개선합니다. 랜덤 포레스트 알고리즘에 비해 추가 트리는 어느 정도의 무작위성을 높입니다.
+ [선형 모델](https://scikit-learn.org/stable/modules/classes.html#module-sklearn.linear_model) - 선형 방정식을 사용하여 관측 데이터의 두 변수 간 관계를 모델링하는 프레임워크입니다.
+ 신경망 torch - [Pytorch](https://pytorch.org/)를 사용하여 구현된 신경망 모델입니다.
+ 신경망 fast.ai - [fast.ai](https://www.fast.ai/)를 사용하여 구현된 신경망 모델입니다.
**HPO** 모드에서 Canvas는 다음과 같은 기계 학습 알고리즘을 지원합니다.
+ [XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) – 그라디언트 부스팅은 더욱 단순하고 약한 모델 세트의 추정치의 앙상블을 결합하여 대상 변수를 정확하게 예측하려 시도하는 지도 학습 알고리즘입니다.
+ 딥 러닝 알고리즘 - 다중 계층 퍼셉트론(MLP) 및 피드포워드 인공 신경망입니다. 이 알고리즘은 선형적으로 분리할 수 없는 데이터를 처리할 수 있습니다.
### 데이터 분할
훈련 세트(데이터세트에서 모델 빌드에 사용되는 부분)와 검증 세트(데이터세트에서 모델 정확도 확인에 사용되는 부분) 간에 데이터세트를 분할하는 방법을 지정하는 옵션이 있습니다. 예를 들어, 일반적인 분할 비율은 훈련 80%와 검증 20%로, 데이터의 80%는 모델을 빌드하는 데 사용되고 20%는 모델 성능 측정을 위해 저장됩니다. 사용자 지정 비율을 지정하지 않으면 Canvas는 데이터세트를 자동으로 분할합니다.
### 최대 후보
**참고**
이 기능은 HPO 훈련 모드에서만 사용할 수 있습니다.
Canvas가 모델을 빌드하는 동안 생성하는 모델 후보의 최대 개수를 지정할 수 있습니다. 가장 정확한 모델을 빌드하려면 기본 후보 개수인 100개를 사용하는 것이 좋습니다. 지정할 수 있는 개수는 최대 250개입니다. 모델 후보 개수를 줄이면 모델의 정확도에 영향을 미칠 수 있습니다.
### 최대 작업 런타임
최대 작업 런타임, 즉 Canvas가 모델을 빌드하는 데 소요하는 최대 시간을 지정할 수 있습니다. 제한 시간이 지나면 Canvas는 빌드를 중지하고 최상의 모델 후보를 선택합니다.
지정 가능한 최대 시간은 720시간입니다. Canvas가 모델 후보를 생성하고 모델 빌드를 완료하는 데 충분한 시간을 가질 수 있도록 최대 작업 런타임을 30분 이상으로 유지하는 것이 좋습니다.
## 고급 시계열 예측 모델 설정
시계열 예측 모델의 경우 Canvas는 이전 섹션에 나열된 목표 지표를 지원합니다.
시계열 예측 모델은 다음과 같은 고급 설정도 지원합니다.
### 알고리즘 선택
시계열 예측 모델을 빌드할 때 Canvas는 통계 및 기계 학습 알고리즘의 *앙상블*(즉, 조합)을 사용하여 매우 정확한 시계열 예측을 제공합니다. 기본적으로 Canvas는 데이터세트의 시계열을 기반으로 사용 가능한 모든 알고리즘의 최적의 조합을 선택합니다. 하지만 예측 모델에 사용할 알고리즘을 하나 이상 지정할 수 있습니다. 이 경우 Canvas는 선택한 알고리즘만 사용하여 최적의 혼합을 결정합니다. 모델 훈련을 위해 어떤 알고리즘을 선택해야 할지 확실하지 않은 경우 사용 가능한 모든 알고리즘을 선택하는 것이 좋습니다.
**참고**
알고리즘 선택은 표준 빌드에서만 지원됩니다. 고급 설정에서 알고리즘을 선택하지 않으면 기본적으로 SageMaker AI는 빠른 구축을 실행하고 단일 트리 기반 학습 알고리즘을 사용하여 모델 후보를 훈련합니다. 빠른 빌드와 표준 빌드의 차이점에 대한 자세한 내용은 [사용자 지정 모델 작동 방식](canvas-build-model.md) 섹션을 참조하세요.
Canvas는 다음과 같은 시계열 예측 알고리즘을 지원합니다.
+ [Autoregressive Integrated Moving Average(ARIMA)](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average) - 통계 분석을 사용하여 데이터를 해석하고 미래를 예측하는 간단한 확률 시계열 모델입니다. 이 알고리즘은 시계열이 100개 미만인 단순 데이터세트에 유용합니다.
+ [Convolutional Neural Network - Quantile Regression(CNN-QR)](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html) - 대규모 시계열 컬렉션에서 하나의 글로벌 모델을 훈련하고 분위 디코더를 사용하여 예측하는 독점적인 지도 학습 알고리즘입니다. CNN–QR은 수백 개의 시계열을 포함하는 대규모 데이터세트에서 가장 잘 작동합니다.
+ [DeepAR\$1](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) – 전체 시계열에서 단일 모델을 공동으로 훈련하기 위해 순환 신경망(RNN)을 사용하여 스칼라 시계열을 예측하기 위한 독점적인 지도 학습 알고리즘입니다. DeepAR\$1는 수백 개의 특성 시계열을 포함하는 대규모 데이터세트에서 가장 잘 작동합니다.
+ [Non-Parametric Time Series(NPTS)](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html) - 과거 관찰에서 샘플링하여 특정 시계열의 미래 가치 분포를 예측하는 확장 가능하고 확률적인 기준 예측기입니다. NPTS는 희박하거나 간헐적인 시계열로 작업할 때 유용합니다(예: 시계열의 수가 0초 이하인 개별 항목에 대한 수요 예측).
+ [Exponential Smoothing(ETS)](https://en.wikipedia.org/wiki/Exponential_smoothing) - 이전 관찰의 가중치가 기하급수적으로 감소하는 과거 관찰의 가중 평균인 예측을 생성하는 예측 방법입니다. 이 알고리즘은 시계열이 100개 미만인 단순 데이터세트와 계절성 패턴이 있는 데이터세트에 유용합니다.
+ [Prophet](https://facebook.github.io/prophet/) - 강력한 계절성 효과와 여러 계절의 과거 데이터가 있는 시계열에 가장 적합한 추가 회귀 모델입니다. 이 알고리즘은 한도에 근접하는 비선형 성장 추세가 있는 데이터세트에 유용합니다.
### 예측 분위수
시계열 예측을 위해 SageMaker AI는 대상 시계열로 6개의 모델 후보를 훈련합니다. 그런 다음 SageMaker AI는 스태킹 앙상블 방법을 사용하여 이러한 모델을 결합하여 주어진 목표 지표에 최적의 예측 모델을 생성합니다. 각 예측 모델은 P1과 P99 사이의 분위수로 예측치를 생성하여 확률적 예측을 생성합니다. 이러한 분위수는 예측 불확실성을 설명하는 데 사용됩니다. 기본적으로 0.1(`p10`), 0.5(`p50`) 및 0.9(`p90`)에 대한 예측이 생성됩니다. 0.01(`p1`)부터 0.99(`p99`)까지 0.01 이상의 증분으로 최대 5개의 자체 분위수를 지정할 수 있습니다.
# 이미지 데이터세트 편집
Amazon SageMaker Canvas에서는 모델을 구축하기 전에 이미지 데이터세트를 편집하고 레이블을 검토할 수 있습니다. 레이블이 지정되지 않은 이미지에 레이블을 할당하거나 데이터세트에 이미지를 더 추가하는 등의 작업을 수행하고 싶을 수 있습니다. 이러한 작업은 모두 Canvas 애플리케이션에서 수행할 수 있으므로 한 곳에서 데이터세트를 수정하고 모델을 구축할 수 있습니다.
**참고**
모델을 빌드하기 전에 데이터세트의 모든 이미지에 레이블을 할당해야 합니다. 또한 라벨당 최소 25개의 이미지와 최소 2개의 라벨이 있어야 합니다. 레이블 지정에 대한 자세한 내용은 이 페이지의 **레이블이 지정되지 않은 이미지에 레이블 할당**이라는 섹션을 참조하세요. 이미지의 레이블을 결정할 수 없는 경우 데이터세트에서 삭제해야 합니다. 이미지 삭제에 대한 자세한 내용은 [데이터세트에서 이미지 추가 또는 삭제](#canvas-edit-image-add-delete)페이지의 섹션을 참조하세요.
이미지 데이터세트 편집을 시작하려면 **빌드** 탭에서 단일 레이블 이미지 예측 모델을 빌드해야 합니다.
데이터세트의 이미지와 해당 레이블을 표시하는 새 페이지가 열립니다. 이 페이지에서는 이미지 데이터세트를 **전체 이미지**, **레이블이 지정된 이미지**, **레이블이 지정되지 않은 이미지**로 분류합니다. 또한 **데이터세트 준비 가이드**에서 더 정확한 이미지 예측 모델 구축에 대한 모범 사례를 검토할 수 있습니다.
다음 스크린샷은 이미지 데이터세트를 수정하는 페이지를 보여줍니다.
![\[Canvas의 이미지 데이터세트 관리 페이지 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/dataset-management-page.png)
이 페이지에서 다음 작업을 수행할 수 있습니다.
## 각 이미지의 속성(라벨, 크기, 차원) 보기
개별 이미지를 보려면 검색 창에서 파일 이름으로 검색하면 됩니다. 그런 다음 이미지를 선택하여 전체 보기를 엽니다. 이미지 속성을 보고 이미지 레이블을 재할당할 수 있습니다. 이미지를 보는 동안**저장**을 선택합니다.
## 데이터세트에 레이블 추가, 이름 변경 또는 삭제
Canvas에는 왼쪽 탐색 창에 데이터세트의 레이블이 나열됩니다. **레이블 추가** 텍스트 필드에 레이블을 입력하여 데이터세트에 새 레이블을 추가할 수 있습니다.
데이터세트에서 레이블 이름을 바꾸거나 삭제하려면 레이블 옆에 있는 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택하고 **이름 바꾸기** 또는 **삭제**를 선택합니다. 레이블 이름을 바꾸는 경우 새 레이블 이름을 입력하고 **확인**을 선택합니다. 레이블을 삭제하면 해당 레이블이 있는 데이터세트의 모든 이미지에서 레이블이 제거됩니다. 해당 레이블이 있는 이미지는 레이블이 지정되지 않은 상태로 유지됩니다.
## 레이블이 지정되지 않은 이미지에 레이블 지정
데이터세트에서 레이블이 지정되지 않은 이미지를 보려면 왼쪽 탐색 창에서 **레이블 지정되지 않음**을 선택합니다. 각 이미지에 대해 이미지를 선택하고 **레이블 지정되지 않음**이라는 제목의 레이블을 열고 드롭다운 목록에서 이미지에 할당할 레이블을 선택합니다. 이미지를 두 개 이상 선택하고 이 작업을 수행할 수도 있습니다.그러면 선택한 모든 이미지에 선택한 레이블이 지정됩니다.
## 이미지에 레이블 재할당
이미지(또는 한 번에 여러 이미지)를 선택하고 현재 레이블로 제목이 지정된 드롭다운을 열어 이미지에 레이블을 재할당할 수 있습니다. 원하는 레이블을 선택하면 이미지가 새 레이블로 업데이트됩니다.
## 이미지를 레이블 별로 정렬
왼쪽 탐색 창에서 레이블을 선택하면 해당 레이블의 모든 이미지를 볼 수 있습니다.
## 데이터세트에서 이미지 추가 또는 삭제
상단 탐색 창에서 **이미지 추가**를 선택하여 데이터세트에 이미지를 더 추가할 수 있습니다. 워크플로를 따라 더 많은 이미지를 가져오게 됩니다. 가져온 이미지는 기존 데이터세트에 추가됩니다.
상단 탐색 창에서 이미지를 선택한 다음 **삭제**를 선택하여 데이터세트에서 이미지를 삭제할 수 있습니다.
**참고**
데이터세트를 변경한 후에는 **데이터세트 저장**을 선택하여 변경 내용을 잃지 않도록 합니다.
# 데이터 탐색 및 분석
**참고**
SageMaker Canvas 시각화 및 분석은 테이블 형식 데이터세트를 기반으로 빌드된 모델에만 사용할 수 있습니다. 다중 카테고리 텍스트 예측 모델도 제외됩니다.
Amazon SageMaker Canvas에서는 시각화와 분석을 사용하여 데이터세트의 변수를 탐색하고 애플리케이션 내 시각화와 분석을 만들 수 있습니다. 모델을 구축하기 전에 이러한 탐색을 사용하여 변수 간의 관계를 파악할 수 있습니다.
Canvas의 시각화 기술에 대한 자세한 내용은 [시각화 기법을 사용하여 데이터 탐색](canvas-explore-data-visualization.md)을 참조하세요.
분석에 대한 자세한 내용은 [분석을 사용하여 데이터 탐색](canvas-explore-data-analytics.md)을 참조하세요.
# 시각화 기법을 사용하여 데이터 탐색
**참고**
SageMaker Canvas 시각화는 테이블 형식 데이터세트를 기반으로 빌드된 모델에만 사용할 수 있습니다. 다중 카테고리 텍스트 예측 모델도 제외됩니다.
Amazon SageMaker Canvas를 사용하면 ML 모델을 구축하기 전에 데이터를 탐색하고 시각화하여 데이터에 대한 고급 통찰력을 얻을 수 있습니다. 산점도, 막대 차트, 상자 그림을 사용하여 시각화할 수 있으며, 이는 데이터를 이해하고 모델 정확도에 영향을 줄 수 있는 기능 간의 관계를 찾는 데 도움이 됩니다.
SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **데이터 시각화 도우미**를 선택하여 시각화 생성을 시작합니다.
시각화 샘플 크기를 변경하여 데이터세트에서 가져온 추출한 무작위 샘플의 크기를 조정할 수 있습니다. 샘플 크기가 너무 크면 데이터 시각화 성능에 영향을 미칠 수 있으므로 적절한 샘플 크기를 선택하는 것이 좋습니다. 샘플 크기를 변경하려면 다음 절차를 따르세요.
1. **시각화 샘플**을 선택합니다.
1. 슬라이더를 사용하여 원하는 샘플 크기를 선택합니다.
1. **업데이트**를 선택하여 샘플 크기 변경을 확인합니다.
**참고**
특정 시각화 기법에는 특정 데이터 유형의 열이 필요합니다. 예를 들어 산점도의 x축과 y축에는 숫자 열만 사용할 수 있습니다.
## 산점도
데이터세트로 산점도를 만들려면 **시각화** 패널에서 **산점도**를 선택합니다. **열** 섹션에서 x축과 y축에 표시하려는 기능을 선택합니다. 열을 축으로 끌어서 놓거나, 축을 놓은 후 지원되는 열 목록에서 열을 선택할 수 있습니다.
**색상 기준**을 사용하여 세 번째 기능으로 플롯의 데이터 포인트에 색상을 지정할 수 있습니다. **그룹화 기준**을 사용하여 네 번째 기능을 기반으로 데이터를 별도의 플롯으로 그룹화할 수도 있습니다.
다음 이미지는 **색상 기준** 및 **그룹화 기준**을 사용하는 산점도를 보여줍니다. 이 예제에서 각 데이터 포인트는 `MaritalStatus`특징 별로 색상이 지정되어 있으며.`Department`특징 별로 그룹화하면 각 부서의 데이터 포인트에 대한 산점도가 생성됩니다.
![\[Canvas 애플리케이션의 데이터 시각화 도우미 뷰에 있는 산점도 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-eda-scatter-plot.png)
## 막대 차트
데이터세트로 막대 차트를 만들려면 **시각화** 패널에서 **막대 차트**를 선택합니다. **열** 섹션에서 x축과 y축에 표시하려는 기능을 선택합니다. 열을 축으로 끌어서 놓거나, 축을 놓은 후 지원되는 열 목록에서 열을 선택할 수 있습니다.
**그룹화 기준**을 사용하여 막대 차트를 세 번째 기능으로 그룹화할 수 있습니다. **누적 기준**을 사용하여 네 번째 기능의 고유한 값을 기반으로 각 막대를 수직으로 음영 처리할 수 있습니다.
다음 이미지는 **그룹화** 기준과 **누적 기준**을 사용하는 막대 차트를 보여줍니다. 이 예제에서 막대 차트는 `MaritalStatus`기능 별로 그룹화되고 `JobLevel`기능 별로 누적됩니다. x축의 각 `JobRole`에는 `MaritalStatus`특성의 고유 범주에 대한 별도의 막대가 있으며, 모든 막대는 `JobLevel`특성에 의해 수직으로 누적됩니다.
![\[Canvas 애플리케이션의 데이터 시각화 도우미 보기에 있는 막대 차트의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-eda-bar-chart.png)
## 상자 그림
데이터세트로 상자 그림을 만들려면 **시각화** 패널에서 **상자 그림**을 선택합니다. **열** 섹션에서 x축과 y축에 표시하려는 기능을 선택합니다. 열을 축으로 끌어서 놓거나, 축을 놓은 후 지원되는 열 목록에서 열을 선택할 수 있습니다.
**그룹화 기준**을 사용하여 상자 그림을 세 번째 기능으로 그룹화할 수 있습니다.
다음 이미지는 **그룹화 기준**을 사용하는 상자 그림을 보여줍니다. 이 예제에서는 x축과 y축이 각각 `JobLevel`및 `JobSatisfaction`을 나타내며, 색상이 지정된 상자 그림은 `Department`기능별로 그룹화되어 있습니다.
![\[Canvas 애플리케이션의 데이터 시각화 도우미 보기에 있는 상자 그림의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-eda-box-plot.png)
# 분석을 사용하여 데이터 탐색
**참고**
SageMaker Canvas 분석은 테이블 형식 데이터세트를 기반으로 구축된 모델에만 사용할 수 있습니다. 다중 카테고리 텍스트 예측 모델도 제외됩니다.
Amazon SageMaker Canvas의 분석을 사용하면 모델을 구축하기 전에 데이터세트를 탐색하고 모든 변수에 대한 통찰력을 얻을 수 있습니다. 상관 행렬을 사용하여 데이터세트의 기능 간 관계를 확인할 수 있습니다. 이 기법을 사용하여 데이터세트를 두 개 이상의 값 간의 상관 관계를 보여주는 행렬로 요약할 수 있습니다. 이를 통해 특정 데이터세트의 패턴을 식별하고 시각화하여 고급 데이터 분석을 수행할 수 있습니다.
행렬은 각 기능 간의 상관 관계를 양수, 음수 또는 중립으로 보여줍니다. 모델을 구축할 때 서로 상관관계가 높은 기능을 포함하는 것이 좋습니다. 상관 관계가 거의 또는 전혀 없는 기능은 모델과 관련이 없을 수 있으므로 모델을 만들 때 이러한 기능을 삭제할 수 있습니다.
SageMaker Canvas에서 상관 행렬을 시작하려면 다음 섹션을 참조하세요.
## 상관 행렬 생성
SageMaker Canvas 애플리케이션의 **빌드** 탭에서 모델을 빌드할 준비를 할 때 상관 행렬을 만들 수 있습니다.
모델 생성 시작 방법에 대한 지침은 [모델 빌드](canvas-build-model-how-to.md)을 참조하세요.
SageMaker Canvas 애플리케이션에서 모델 준비를 시작한 후 다음을 수행하세요.
1. **빌드** 탭에서 **데이터 시각화 도우미**를 선택합니다.
1. 그런 다음 **분석**을 선택합니다.
1. **상관 행렬**을 선택합니다.
상관 행렬로 구성된 최대 15개의 데이터세트 열을 보여주는 다음 스크린샷과 유사한 시각화가 표시됩니다.
![\[Canvas 애플리케이션의 상관 행렬 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-correlation-matrix-2.png)
상관 행렬을 만든 후 다음을 수행하여 이를 사용자 지정할 수 있습니다.
### 1. 열 선택
**열**의 경우 행렬에 포함시키고자 하는 열을 선택할 수 있습니다. 데이터세트에서 최대 15개의 열을 비교할 수 있습니다.
**참고**
상관 행렬에는 숫자형, 범주형 또는 바이너리 열 유형을 사용할 수 있습니다. 상관 행렬은 날짜/시간 또는 텍스트 데이터 열 유형을 지원하지 않습니다.
상관 행렬에서 열을 추가하거나 제거하려면 **열** 패널에서 열을 선택하고 선택 취소하세요. 패널의 열을 행렬로 직접 끌어서 놓을 수도 있습니다. 데이터세트에 열이 많은 경우 **열 검색** 표시줄에서 원하는 열을 검색할 수 있습니다.
데이터 유형별로 열을 필터링하려면 드롭다운 목록을 선택하고 **모두**, **숫자** 또는 **범주형**을 선택합니다. **모두**를 선택하면 데이터세트의 모든 열이 표시되는 반면, **숫자형** 및 **범주형** 필터는 데이터세트의 숫자형 또는 범주형 열만 표시됩니다. 바이너리 열 유형은 숫자 또는 범주형 필터에 포함됩니다.
최상의 데이터 통찰력을 얻으려면 상관 행렬에 대상 열을 포함시키세요. 상관 행렬에 대상 열을 포함하면 대상 기호와 함께 행렬의 마지막 기능으로 나타납니다.
### 2. 상관 유형 선택
SageMaker Canvas는 다양한 *상관 유형* 또는 열 간의 상관 관계를 계산하는 방법을 지원합니다.
상관 관계 유형을 변경하려면 이전 섹션에서 언급한 **열** 필터를 사용하여 원하는 열 유형 및 열을 필터링하세요. 사이드 패널에 **상관 관계 유형**이 표시되어야 합니다. 수치로 비교하려면 **Pearson** 또는 **Spearman**을 선택할 수 있습니다. 범주형 비교의 경우 상관 관계 유형은 **MI**로 설정됩니다. 범주형 비교와 혼합 비교의 경우 상관 관계 유형은 **Spearman 및 MI**로 설정됩니다.
숫자형 열만 비교하는 행렬의 경우 상관 관계 유형은 Pearson 또는 Spearman입니다. Pearson 측정값은 두 연속형 변수 사이의 선형 관계를 평가합니다. Spearman 측정값은 두 변수 간의 단조 관계를 평가합니다. Pearson과 Spearman의 상관 척도 범위는 -1에서 1 사이이며, 상관 척도의 양쪽 끝은 완전한 상관(직접적인 1:1 관계)을 나타내고 0은 상관이 없음을 나타냅니다. [산점도 시각화](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html#canvas-explore-data-scatterplot)를 통해 알 수 있듯이 데이터에 더 많은 선형 관계가 있는 경우 Pearson을 선택할 수 있습니다. 데이터가 선형이 아니거나 선형 관계와 단조 관계가 혼합되어 있는 경우에는 Spearman을 선택하는 것이 좋습니다.
범주형 열만 비교하는 행렬의 경우 상관관계 유형은 상호 정보 분류(MI)로 설정됩니다. MI 값은 두 무작위 변수 간의 상호 의존성을 측정한 값입니다. MI 측정값은 0에서 1까지의 척도로, 0은 상관관계가 없음을 나타내고 1은 완벽한 상관관계를 나타냅니다.
숫자 열과 범주형 열의 혼합을 비교하는 행렬의 경우 상관관계 유형인 **Spearman 및 MI**는 Spearman과 MI 상관관계 유형의 조합입니다. 두 숫자 열 간의 상관관계에 대한 행렬은 Spearman 값을 나타냅니다. 숫자 열과 범주형 열 또는 두 범주형 열 간의 상관관계에 대해 행렬에는 MI 값이 표시됩니다.
마지막으로, 상관관계가 반드시 인과관계를 나타내는 것은 아니라는 점을 기억하세요. 상관관계 값이 크다는 것은 두 변수 사이에 관계가 있다는 것을 의미할 뿐, 변수에는 인과 관계가 없을 수도 있습니다. 모델을 구축할 때 편향이 생기지 않도록 관심 있는 열을 주의 깊게 검토하세요.
### 3. 상관 관계 필터링
사이드 패널에서 **상관관계 필터** 기능을 사용하여 행렬에 포함하려는 상관관계 값의 범위를 필터링할 수 있습니다. 예를 들어 양의 상관관계 또는 중립 상관관계만 있는 기능을 필터링하려는 경우 **최소값**을 0으로, **최대값**을 1로 설정할 수 있습니다(유효한 값은 -1\$11).
Spearman과 Pearson 비교의 경우 **필터 상관관계** 범위를 -1에서 1 사이로 설정할 수 있습니다.여기서 0은 상관 관계가 없음을 의미합니다.-1과 1은 각각 변수에 강한 음의 상관관계 또는 양의 상관관계가 있음을 의미합니다.
MI 비교의 경우 상관관계 범위는 0에서 1까지만 적용되며, 0은 상관관계가 없음을 의미하고 1은 변수에 양수 또는 음의 강한 상관관계가 있음을 의미합니다.
각 기능은 자체적으로 완벽한 상관관계 (1) 를 갖습니다. 따라서 상관관계 행렬의 맨 위 행은 항상 1이라는 것을 알 수 있습니다. 이러한 값을 제외하려는 경우 필터를 사용하여 **최대값**을 1보다 작게 설정할 수 있습니다.
행렬에서 숫자 열과 범주형 열의 혼합을 비교하고 **Spearman 및 MI** 상관관계 유형을 사용하는 경우, *범주형 x 숫자형* 및 *범주형 x 범주형* 상관관계(MI 측정값 사용)는 0에서 1의 척도인 반면, *숫자형 x 숫자형* 상관관계(Spearman 측정값 사용)는 -1에서 1의 척도라는 점을 기억하세요. 관심 있는 상관관계를 주의 깊게 검토하여 각 값을 계산하는 데 사용되는 상관관계 유형을 알고 있는지 확인하세요.
### 4. 시각화 메서드 선택
사이드 패널에서 **시각화 기준**을 사용하여 행렬의 시각화 방법을 변경할 수 있습니다. 상관관계(Pearson, Spearman 또는 MI) 값을 표시하려면 **숫자** 시각화 방법을 선택하고, 서로 다른 크기와 색상의 점으로 상관관계를 시각화하려면 **크기** 시각화 방법을 선택합니다. **크기**를 선택할 경우 행렬의 특정 점을 마우스로 가리키면 실제 상관관계 값을 볼 수 있습니다.
### 5. 색상표 선택
사이드 패널에서 **색상 선택**을 사용하여 행렬의 음의 상관관계를 양의 상관관계로로 스케일링하는 데 사용되는 색상표를 변경할 수 있습니다. 매트릭스에 사용되는 색상을 변경하려면 대체 색상표 중 하나를 선택하세요.
# 모델 빌드를 위한 데이터 준비
**참고**
이제 Data Wrangler를 사용하여 SageMaker Canvas에서 고급 데이터 준비를 수행할 수 있습니다. 이 작업은 자연어 인터페이스와 300개 이상의 내장 변환을 제공합니다. 자세한 내용은 [데이터 준비](canvas-data-prep.md) 섹션을 참조하세요.
모델을 구축하기 전에 기계 학습 데이터세트에 데이터 준비가 필요할 수 있습니다. 누락된 값이나 이상값을 포함할 수 있는 다양한 문제로 인해 데이터를 정리하고 특성 추출을 수행하여 모델의 정확도를 향상시킬 수 있습니다. Amazon SageMaker Canvas는 모델 구축을 위해 데이터를 정리, 변환 및 준비할 수 있는 ML 데이터 변환을 제공합니다. 코드 없이 데이터세트에서 이러한 변환을 사용할 수 있습니다. SageMaker Canvas는 사용하는 변환을 **모델 레시피**에 추가합니다.모델 레시피는 모델을 빌드하기 전에 데이터에 대해 수행한 데이터 준비의 기록입니다. 사용하는 모든 데이터 변환은 모델 구축을 위한 입력 데이터만 수정하고 원본 데이터 소스는 수정하지 않습니다.
데이터세트 미리보기에는 데이터세트의 처음 100개 행이 표시됩니다. 데이터세트의 행이 20,000개를 초과하는 경우 Canvas는 20,000개 행의 무작위 표본을 추출하여 해당 샘플에서 처음 100개 행을 미리 봅니다. 미리보기 된 행에서만 값을 검색하고 지정할 수 있으며, 필터 기능은 미리보기 된 행만 필터링하고 전체 데이터세트는 필터링하지 않습니다.
SageMaker Canvas에서 다음과 같은 변환을 사용하여 빌드할 데이터를 준비할 수 있습니다.
**참고**
테이블 형식 데이터세트를 기반으로 구축된 모델에는 고급 변환만 사용할 수 있습니다. 다중 카테고리 텍스트 예측 모델도 제외됩니다.
## 열 삭제
SageMaker Canvas 애플리케이션의 **빌드** 탭에 열을 드롭하여 모델 빌드에서 열을 삭제할 수 있습니다. 삭제하려는 열을 선택 취소하면 모델을 빌드할 때 해당 열이 포함되지 않습니다.
**참고**
열을 삭제한 다음 모델로 [배치 예측](canvas-make-predictions.md)을 수행하면 SageMaker Canvas는 삭제된 열을 다운로드할 수 있는 출력 데이터세트에 다시 추가합니다. 하지만 SageMaker Canvas는 시계열 모델의 경우 삭제된 열을 다시 추가하지 않습니다.
## 행 필터링
필터 기능은 사용자가 지정한 조건에 따라 미리보기 된 행(데이터세트의 처음 100개 행)을 필터링합니다. 행을 필터링하면 데이터의 임시 미리보기가 생성되며 모델 구축에는 영향을 주지 않습니다. 누락된 값이 있거나, 이상값을 포함하거나, 선택한 열에서 사용자 지정 조건을 충족하는 행을 필터링하여 미리 볼 수 있습니다.
### 누락된 값을 기준으로 행 필터링
누락된 값은 기계 학습 데이터 세트에서 흔히 발생합니다. 특정 열에 값이 null 또는 빈 값이 있는 이 있는 경우 해당 행을 필터링하고 미리 볼 수 있습니다.
미리보기 된 데이터에서 누락된 값을 필터링하려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **행별 필터링**(![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/filter-icon.png))을 선택합니다.
1. 누락된 값이 있는지 확인하려는 **열**을 선택합니다.
1. **작업**에서 **누락**을 선택합니다.
SageMaker Canvas는 선택한 **열**에 누락된 값이 포함된 행을 필터링하고 필터링된 행의 미리보기를 제공합니다.
![\[SageMaker Canvas 애플리케이션의 누락된 값에 의한 필터링 작업 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-filter-missing.png)
### 이상값을 기준으로 행 필터링
데이터 분포 및 범위의 이상값 또는 희귀한 값은 모델 정확도에 부정적인 영향을 미치고 구축 시간을 연장할 수 있습니다. SageMaker Canvas를 사용하면 숫자 열에 이상값이 포함된 행을 감지하고 필터링할 수 있습니다. 표준 편차 또는 사용자 지정 범위로 이상값을 정의하도록 선택할 수 있습니다.
데이터의 이상값을 필터링하려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **행별 필터링**(![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/filter-icon.png))을 선택합니다.
1. 이상값을 확인하려는 **열**을 선택합니다.
1. **연산**에서 **이상값**을 선택합니다.
1. **이상값 범위**를 **표준 편차** 또는 **사용자 지정 범위**로 설정합니다.
1. **표준 편차**)를 선택하는 경우 **SD**(표준 편차) 값을 1\$13으로 지정하세요. **사용자 지정 범위**를 선택하는 경우 **백분위수** 또는 **숫자**를 선택한 다음 **최소값**과 **최대값**을 지정합니다.
**표준 편차** 옵션은 평균과 표준 편차를 사용하여 숫자 열의 이상값을 탐지하고 필터링합니다. 값이 이상값으로 간주되기 위해 평균과 달라야 하는 표준 편차 수를 지정합니다. 예를 들어 **SD**를 지정하는 `3`경우 값이 평균에서 3 표준 편차 이상 떨어져야 이상값으로 간주됩니다.
**사용자 지정 범위** 옵션은 최소값과 최대값을 사용하여 숫자 열의 이상값을 탐지하고 필터링합니다. 이상값을 구분하는 임곗값을 알고 있는 경우 이 방법을 사용하세요. 범위 **유형**을 **백분위수** 또는 **숫자**로 설정할 수 있습니다. **백분위수**를 선택하는 경우 **최소값**과 **최대값**은 허용하려는 백분위수 범위(0-100)의 최소값과 최대값이어야 합니다. **숫자**를 선택하는 경우 **최소값**과 **최대값**은 데이터에서 필터링하려는 최소 및 최대 숫자 값이어야 합니다.
![\[SageMaker Canvas 애플리케이션에서 이상값을 기준으로 필터링하는 작업의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-filter-outlier.png)
### 사용자 지정 값을 기준으로 행 필터링
사용자 지정 조건에 맞는 값이 있는 행을 필터링할 수 있습니다. 예를 들어 가격 값이 100보다 큰 행을 제거하기 전에 미리 볼 수 있습니다. 이 기능을 사용하면 설정한 임곗값을 초과하는 행을 필터링하고 필터링된 데이터를 미리 볼 수 있습니다.
사용자 지정 필터 기능을 사용하려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **행별 필터링**(![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/filter-icon.png))을 선택합니다.
1. 확인하려는 **열**을 선택합니다.
1. 사용할 **작업** 유형을 선택한 다음 선택한 조건의 값을 지정합니다.
**작업**의 경우, 다음 옵션 중 하나를 선택할 수 있습니다. 사용 가능한 작업은 선택한 열의 데이터 유형에 따라 다릅니다. 예를 들어, 텍스트 값이 포함된 열에 대해서는 `is greater than`작업을 생성할 수는 없습니다.
| 연산 | 지원되는 데이터 유형 | 지원되는 기능 유형 | 함수 |
| --- | --- | --- | --- |
| 같음 | 숫자, 텍스트 | 바이너리, 범주형 | **열**의 값이 지정한 값과 같은 행을 필터링합니다. |
| 같지 않음 | 숫자, 텍스트 | 바이너리, 범주형 | **열**의 값이 지정한 값과 같지 않은 행을 필터링합니다. |
| 보다 작음 | Numeric | 해당 사항 없음 | **열**의 값이 지정한 값보다 작은 행을 필터링합니다. |
| 보다 작거나 같음 | Numeric | 해당 사항 없음 | **열**의 값이 지정된 값보다 작거나 같은 행을 필터링합니다. |
| 보다 큼 | Numeric | 해당 사항 없음 | **열**의 값이 지정한 값보다 큰 행을 필터링합니다. |
| 보다 크거나 같음 | Numeric | 해당 사항 없음 | **열**의 값이 지정된 값과 같거나 큰 행을 필터링합니다. |
| 사이에 있음 | Numeric | 해당 사항 없음 | **열**의 값이 지정한 두 값 사이에 있거나 같은 행을 필터링합니다. |
| 포함 | 텍스트 | 범주형 | **열**의 값에 지정한 값이 포함된 행을 필터링합니다. |
| 다음으로 시작 | 텍스트 | 범주형 | **열**의 값이 지정한 값으로 시작하는 행을 필터링합니다. |
| 다음으로 종료 | 범주형 | 범주형 | **열**의 값이 지정한 값으로 끝나는 행을 필터링합니다. |
필터 작업을 설정한 후 SageMaker Canvas는 데이터세트의 미리보기를 업데이트하여 필터링된 데이터를 표시합니다.
![\[SageMaker Canvas 애플리케이션의 사용자 지정 값별 필터링 작업 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-filter-custom.png)
## 함수 및 연산자
수학 함수와 연산자를 사용하여 데이터를 탐색하고 배포할 수 있습니다. SageMaker Canvas에서 지원하는 함수를 사용하거나 기존 데이터로 자체 공식을 생성하고 공식 결과로 새 열을 생성할 수 있습니다. 예를 들어, 두 열의 해당 값을 추가하고 결과를 새 열에 저장할 수 있습니다.
문을 중첩하여 더 복잡한 함수를 만들 수 있습니다. 다음은 사용할 수 있는 중첩 함수의 몇 가지 예입니다.
+ `weight / (height ^ 2)` 함수를 사용하여 BMI를 계산할 수 있습니다.
+ `Case(age < 18, 'child', age < 65, 'adult', 'senior')` 함수를 사용하여 연령을 분류할 수 있습니다.
모델을 구축하기 전에 데이터 준비 단계에서 함수를 지정할 수 있습니다. 함수를 가져오려면 다음을 수행합니다.
+ SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **모두 보기**를 선택한 다음 **사용자 지정 공식**을 선택하여 **사용자 지정 공식** 패널을 엽니다.
+ **사용자 지정 공식** 패널에서 **모델 레시피**에 추가할 **공식**을 선택할 수 있습니다. 각 공식은 지정한 열의 모든 값에 적용됩니다. 두 개 이상의 열을 인수로 허용하는 공식의 경우 데이터 유형이 일치하는 열을 사용하세요.그렇지 않으면 새 열에 오류 또는 `null` 값이 표시됩니다.
+ **공식**을 지정한 후 **새 열 이름** 필드에 열 이름을 추가합니다. SageMaker Canvas는 생성된 새 열에 이 이름을 사용합니다.
+ (선택 사항) **미리보기**를 선택하여 변환을 미리 볼 수 있습니다.
+ **모델 레시피**에 함수를 추가하려면 **추가**를 선택합니다.
SageMaker Canvas는 **새 열 이름**에서 지정한 이름을 사용하여 함수의 결과를 새 열에 저장합니다. **모델 레시피** 패널에서 함수를 보거나 제거할 수 있습니다.
SageMaker Canvas에서는 함수에 대해 다음 연산자들을 지원합니다. 텍스트 형식 또는 인라인 형식을 사용하여 함수를 지정할 수 있습니다.
| 연산자 | 설명 | 지원되는 데이터 유형 | 텍스트 형식 | 인라인 형식 |
| --- | --- | --- | --- | --- |
| 더하기 | 값의 합계를 반환합니다. | Numeric | Add(sales1, sales2) | sales1 \$1 sales2 |
| Subtract | 값 간의 차이를 반환합니다. | Numeric | Subtract(sales1, sales2) | sales1 ‐ sales2 |
| 곱하기 | 값의 곱을 반환합니다. | Numeric | Multiply(sales1, sales2) | sales1 \$1 sales2 |
| 나누기 | 값의 몫을 반환합니다. | Numeric | Divide(sales1, sales2) | sales1 / sales2 |
| Mod | 모듈로 연산자의 결과(두 값을 나눈 나머지)를 반환합니다. | Numeric | Mod(sales1, sales2) | sales1 % sales2 |
| Abs | 값의 절대값을 반환합니다. | Numeric | Abs(sales1) | 해당 사항 없음 |
| Negate | 값의 음수를 반환합니다. | Numeric | Negate(c1) | ‐c1 |
| Exp | e(오일러수)를 해당 값의 거듭제곱으로 반환합니다. | Numeric | Exp(sales1) | 해당 사항 없음 |
| Log | 값의 로그(밑 10)를 반환합니다. | Numeric | Log(sales1) | 해당 사항 없음 |
| Ln | 값의 자연 로그(밑 e)를 반환합니다. | Numeric | Ln(sales1) | 해당 사항 없음 |
| Pow | 거듭제곱된 값을 반환합니다. | Numeric | Pow(sales1, 2) | sales1 ^ 2 |
| If | 지정한 조건에 따라 참 또는 거짓 레이블을 반환합니다. | 부울, 숫자, 텍스트 | If(sales1>7000, 'truelabel, 'falselabel') | 해당 사항 없음 |
| Or | 지정한 값 또는 조건 중 하나가 참인지, 지정한 조건에 따라 참인지 거짓인지 여부에 대한 부울 값을 반환합니다. | 부울 | Or(fullprice, discount) | fullprice \$1\$1 discount |
| And | 지정된 값 또는 조건 중 두 개가 참인지 아닌지에 대한 부울 값을 반환합니다. | 부울 | And(sales1,sales2) | sales1 && sales2 |
| Not | 지정된 값 또는 조건과 반대되는 부울 값을 반환합니다. | 부울 | Not(sales1) | \$1sales1 |
| Case | 조건문을 기반으로 부울 값을 반환합니다(cond1이 참이면 c1을 반환하고, cond2가 참이면 c2를 반환하고, 그렇지 않으면 c3을 반환합니다). | 부울, 숫자, 텍스트 | Case(cond1, c1, cond2, c2, c3) | 해당 사항 없음 |
| 같음 | 두 값이 같은지 여부에 대한 부울 값을 반환합니다. | 부울, 숫자, 텍스트 | 해당 사항 없음 | c1 = c2c1 == c2 |
| 같지 않음 | 두 값이 같지 않은지 여부에 대한 부울 값을 반환합니다. | 부울, 숫자, 텍스트 | 해당 사항 없음 | c1 \$1= c2 |
| 보다 작음 | c1이 c2보다 작은지 여부를 나타내는 부울 값을 반환합니다. | 부울, 숫자, 텍스트 | 해당 사항 없음 | c1 < c2 |
| 보다 큼 | c1이 c2보다 큰지 여부에 대한 부울 값을 반환합니다. | 부울, 숫자, 텍스트 | 해당 사항 없음 | c1 > c2 |
| 작거나 같음 | c1이 c2보다 작거나 같은지 여부에 대한 부울 값을 반환합니다. | 부울, 숫자, 텍스트 | 해당 사항 없음 | c1 <= c2 |
| 크거나 같음 | c1이 c2보다 크거나 같은지 여부에 대한 부울 값을 반환합니다. | 부울, 숫자형, 텍스트 | 해당 사항 없음 | c1 >= c2 |
SageMaker Canvas는 모든 값의 합계를 계산하거나 열의 최소값을 찾는 등의 작업을 수행할 수 있는 집계 연산자도 지원합니다. 함수에서 집계 연산자를 표준 연산자와 조합하여 사용할 수 있습니다. 예를 들어, 평균과 값의 차이를 계산하려면 `Abs(height – avg(height))`함수를 사용할 수 있습니다. SageMaker Canvas는 다음과 같은 집계 연산자를 지원합니다.
| 집계 연산자 | 설명 | 형식 | 예제 |
| --- | --- | --- | --- |
| sum | 열에 있는 모든 값의 합계를 반환합니다. | sum | sum(c1) |
| minimum | 열의 최소값을 반환합니다. | min | min(c2) |
| maximum | 열의 최대값을 반환합니다. | 최대 | max(c3) |
| 평균 | 열의 평균값을 반환합니다. | avg | avg(c4) |
| std | 열의 표본 표준편차를 반환합니다. | std | 표준 (c1) |
| stddev | 열에 있는 값의 표준 편차를 반환합니다. | stddev | stddev (c1) |
| variance | 열에 있는 값의 편향되지 않은 분산을 반환합니다. | variance | variance(c1) |
| approx\$1count\$1distinct | 열에 있는 고유 항목의 대략적인 개수를 반환합니다. | approx\$1count\$1distinct | approx\$1count\$1distinct(c1) |
| count | 한 열에 있는 항목 수를 반환합니다. | count | count(c1) |
| first | 열의 첫 번째 값을 반환합니다. | first | first(c1) |
| last | 열의 마지막 값을 반환합니다. | last | last(c1) |
| stddev\$1pop | 열의 모집단 표준 편차를 반환합니다. | stddev\$1pop | stddev\$1pop (c1) |
| variance\$1pop | 열에 있는 값의 모집단 분산을 반환합니다. | variance\$1pop | variance\$1pop (c1) |
## 행 관리
행 관리 변환을 사용하면 데이터세트에서 데이터 행을 정렬, 무작위 섞기 및 제거할 수 있습니다.
### 행 정렬
특정 열을 기준으로 데이터세트의 행을 정렬하려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **행 관리**를 선택한 다음 **행 정렬**을 선택합니다.
1. **열 정렬**의 경우 정렬 기준으로 사용할 열을 선택합니다.
1. **정렬 순서**에서 **오름차순** 또는 **내림차순**을 선택합니다.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
### 행 섞기
데이터세트에서 행을 임의로 섞으려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **행 관리**를 선택한 다음 **행 섞기**를 선택합니다.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
### 중복 행 삭제
데이터세트에서 중복된 행을 제거하려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **행 관리**를 선택한 다음 **중복 행 삭제**를 선택합니다.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
### 누락된 값이 있는 행 제거
누락된 값은 기계 학습 데이터 세트에서 흔히 발생하며 모델 정확도에 영향을 미칠 수 있습니다. 특정 열에 null 또는 비어 있는 값이 있는 행을 삭제하려면 이 변환을 사용하세요.
지정된 열에 누락된 값이 포함된 행을 제거하려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **행 관리**를 선택합니다.
1. **누락된 값을 기준으로 행 삭제**를 선택합니다.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
SageMaker Canvas는 선택한 **열**에 누락된 값이 포함된 행을 삭제합니다. 데이터 세트에서 행을 제거한 후 SageMaker Canvas는 **모델 레시피** 섹션에 변환을 추가합니다. **모델 레시피** 섹션에서 변환을 제거하면 행이 데이터 세트로 돌아갑니다.
![\[SageMaker Canvas 애플리케이션의 누락된 값을 통한 행 제거 작업의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-remove-missing.png)
### 이상값을 기준으로 행 제거
데이터 분포 및 범위의 이상값 또는 희귀한 값은 모델 정확도에 부정적인 영향을 미치고 구축 시간을 연장할 수 있습니다. SageMaker Canvas를 사용하면 숫자 열에 이상값이 포함된 행을 감지하고 제거할 수 있습니다. 표준 편차 또는 사용자 지정 범위로 이상값을 정의하도록 선택할 수 있습니다.
데이터에서 이상값을 제거하려면 다음을 수행하세요.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **행 관리**를 선택합니다.
1. **이상값을 기준으로 행 삭제**를 선택합니다.
1. 이상값을 확인하려는 **열**을 선택합니다.
1. **연산자**를 **표준 편차**, **사용자 지정 숫자 범위** 또는 **사용자 지정 분위수 범위**로 설정합니다.
1. **표준 편차**를 선택하는 경우 **표준 편차**(표준 편차) 값을 1-3 사이로 지정하세요. **사용자 지정 숫자 범위** 또는 **사용자 지정 분위수 범위**를 선택하는 경우 **최소값**과 **최대값**(숫자 범위의 경우 숫자, 분위수 범위의 경우 0\$1 100% 사이의 백분위수)을 지정합니다.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
**표준 편차** 옵션은 평균과 표준 편차를 사용하여 숫자 열의 이상값을 탐지하고 제거합니다. 값이 이상값으로 간주되기 위해 평균과 달라야 하는 표준 편차 수를 지정합니다. 예를 들어, **표준 편차**를 지정하는 `3`경우 값이 평균에서 3 표준 편차 이상 떨어져야 이상값으로 간주됩니다.
**사용자 지정 숫자 범위** 및 **사용자 지정 분위수 범위** 옵션은 최소값과 최대값을 사용하여 숫자 열의 이상값을 탐지하고 제거합니다. 이상값을 구분하는 임계값을 알고 있는 경우 이 방법을 사용하세요. 숫자 범위를 선택하는 경우 **최소값**과 **최대값**은 데이터에 허용하려는 최소값과 최대값이어야 합니다. 분위수 범위를 선택하는 경우 **최소값**과 **최대값**은 허용하려는 백분위수 범위(0\$1100)의 최소값과 최대값이어야 합니다.
데이터 세트에서 행을 제거한 후 SageMaker Canvas는 **모델 레시피** 섹션에 변환을 추가합니다. **모델 레시피** 섹션에서 변환을 제거하면 행이 데이터 세트로 돌아갑니다.
![\[SageMaker Canvas 애플리케이션의 이상값 기준 행 제거 작업의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-remove-outlier.png)
### 사용자 지정 값으로 행 제거
사용자 지정 조건에 맞는 값이 있는 행을 제거할 수 있습니다. 예를 들어 모델을 만들 때 가격 값이 100보다 큰 행을 모두 제외할 수 있습니다. 이 변환을 사용하면 설정한 임곗값을 초과하는 모든 행을 제거하는 규칙을 만들 수 있습니다.
사용자 지정 제거 변환을 사용하려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **행 관리**를 선택합니다.
1. **공식별로 행 삭제**를 선택합니다.
1. 확인하려는 **열**을 선택합니다.
1. 사용할 **작업** 유형을 선택한 다음 선택한 조건의 값을 지정합니다.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
**작업**의 경우, 다음 옵션 중 하나를 선택할 수 있습니다. 사용 가능한 작업은 선택한 열의 데이터 유형에 따라 다릅니다. 예를 들어, 텍스트 값이 포함된 열에 대해서는 `is greater than`작업을 생성할 수는 없습니다.
| 연산 | 지원되는 데이터 유형 | 지원되는 기능 유형 | 함수 |
| --- | --- | --- | --- |
| 같음 | 숫자, 텍스트 | 바이너리, 범주형 | **열**의 값이 지정한 값과 같은 행을 제거합니다. |
| 같지 않음 | 숫자, 텍스트 | 바이너리, 범주형 | **열**의 값이 지정한 값과 같지 않은 행을 제거합니다. |
| 보다 작음 | Numeric | 해당 사항 없음 | **열의** 값이 지정한 값보다 작은 행을 제거합니다. |
| 보다 작거나 같음 | Numeric | 해당 사항 없음 | **열**의 값이 지정된 값보다 작거나 같은 행을 제거합니다. |
| 보다 큼 | Numeric | 해당 사항 없음 | **열의** 값이 지정한 값보다 큰 행을 제거합니다. |
| 보다 크거나 같음 | Numeric | 해당 사항 없음 | **열**의 값이 지정된 값과 같거나 큰 행을 제거합니다. |
| 사이에 있음 | Numeric | 해당 사항 없음 | **열**의 값이 지정한 두 값 사이에 있거나 같은 행을 제거합니다. |
| 포함 | 텍스트 | 범주형 | **열**의 값에 지정한 값이 포함된 행을 제거합니다. |
| 다음으로 시작 | 텍스트 | 범주형 | **열**의 값이 지정한 값으로 시작하는 행을 제거합니다. |
| 다음으로 종료 | 텍스트 | 범주형 | **열**의 값이 지정한 값으로 끝나는 행을 제거합니다. |
데이터 세트에서 행을 제거한 후 SageMaker Canvas는 **모델 레시피** 섹션에 변환을 추가합니다. **모델 레시피** 섹션에서 변환을 제거하면 행이 데이터 세트로 돌아갑니다.
![\[SageMaker Canvas 애플리케이션의 사용자 지정 값 기준 행 제거 작업의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-remove-custom.png)
## 열 이름 변경하기
열 이름 변경하기 변환을 사용하여 데이터의 열 이름을 바꿀 수 있습니다. 열 이름을 바꾸면 SageMaker Canvas는 모델 입력에서 열 이름을 변경합니다.
SageMaker Canvas 애플리케이션의 **빌드** 탭에서 열 이름을 두 번 클릭하고 새 이름을 입력하여 데이터세트의 열 이름을 변경할 수 있습니다. **Enter** 키를 누르면 변경 내용이 제출되고 입력 외부의 아무 곳이나 클릭하면 변경이 취소됩니다. 목록 보기의 행 끝이나 표 보기의 머리글 셀 끝에 있는 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 클릭하고 **이름 변경하기**를 선택하여 열 이름을 바꿀 수도 있습니다.
열 이름은 32자를 초과하거나 이중 밑줄(\$1\$1)을 사용할 수 없으며 열 이름을 다른 열과 같은 이름으로 바꿀 수 없습니다. 삭제한 열의 이름도 바꿀 수 없습니다.
다음 스크린샷은 열 이름을 두 번 클릭하여 열 이름을 바꾸는 방법을 보여줍니다.
![\[SageMaker Canvas 애플리케이션에서 더블 클릭 메서드로 열 이름을 변경하는 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-rename-column.png)
열 이름을 변경하면 SageMaker Canvas가 **모델 레시피** 섹션에 변환을 추가합니다. **모델 레시피** 섹션에서 변환을 제거하면 열이 원래 이름으로 되돌아갑니다.
## 열 관리
다음 변환을 사용하여 열의 데이터 유형을 변경하고 특정 열의 누락된 값이나 이상값을 바꿀 수 있습니다. SageMaker Canvas는 모델을 빌드할 때 업데이트된 데이터 유형 또는 값을 사용하지만 원본 데이터세트는 변경하지 않습니다. [열 삭제](#canvas-prepare-data-drop) 변환을 사용하여 데이터세트에서 열을 삭제한 경우 해당 열의 값을 바꿀 수 없다는 점에 유의하세요.
### 누락된 값 바꾸기
누락된 값은 기계 학습 데이터 세트에서 흔히 발생하며 모델 정확도에 영향을 미칠 수 있습니다. 누락된 값이 있는 행을 삭제하도록 선택할 수 있지만, 대신 누락된 값을 바꾸면 모델의 정확도가 향상됩니다. 이 변환을 사용하면 숫자 열의 누락된 값을 열에 있는 데이터의 평균 또는 중앙값으로 바꾸거나 누락된 값을 대체할 사용자 지정 값을 지정할 수도 있습니다. 숫자가 아닌 열의 경우 누락된 값을 열의 모드(가장 일반적인 값) 또는 사용자 지정 값으로 바꿀 수 있습니다.
특정 열의 null 값이나 빈 값을 바꾸려면 이 변환을 사용하세요. 지정된 열에서 누락된 값을 바꾸려면 다음을 수행하세요.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **열 관리**를 선택합니다.
1. **누락된 값 바꾸기**를 선택합니다.
1. 누락된 값을 대체하려는 **열**을 선택합니다.
1. 누락된 값을 지정한 값으로 바꾸려면 **모드**를 **수동**으로 설정합니다. **자동(기본값)** 설정을 사용하면 SageMaker Canvas는 누락된 값을 데이터에 가장 적합한 산입 값으로 바꿉니다. **수동** 모드를 지정하지 않는 한 이 산입 메서드는 각 모델 빌드마다 자동으로 수행됩니다.
1. **바꿀** 값을 설정합니다.
+ 열이 숫자인 경우 **평균**, **중앙값** 또는 **사용자 지정**을 선택합니다. **평균**은 누락된 값을 열의 평균으로 바꾸고, **중앙값**은 누락된 값을 열의 중앙값으로 바꿉니다. **사용자 지정**을 선택한 경우 누락값을 대체하는 데 사용할 사용자 지정 값을 지정해야 합니다.
+ 열이 숫자가 아닌 경우 **모드** 또는 **사용자 지정**을 선택합니다. **모드**는 누락된 값을 열의 모드 또는 가장 일반적인 값으로 대체합니다. **사용자 지정**의 경우 누락된 값을 대체하는 데 사용할 사용자 지정 값을 지정합니다.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
데이터세트에서 누락된 값을 바꾼 후 SageMaker Canvas는 **모델 레시피** 섹션에 변환을 추가합니다. **모델 레시피** 섹션에서 변환을 제거하면 누락된 값이 데이터세트로 돌아갑니다.
![\[SageMaker Canvas 애플리케이션에서 누락된 값 바꾸기 작업의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-replace-missing.png)
### 이상값 바꾸기
데이터 분포 및 범위의 이상값 또는 희귀한 값은 모델 정확도에 부정적인 영향을 미치고 구축 시간을 연장할 수 있습니다. SageMaker Canvas를 사용하면 숫자 열에서 이상값을 탐지하고 이상값을 데이터의 허용 범위 내에 있는 값으로 바꿀 수 있습니다. 이상값을 표준 편차 또는 사용자 지정 범위로 정의하도록 선택할 수 있으며, 이상값을 허용 범위의 최소값 및 최대값으로 바꿀 수 있습니다.
데이터의 이상값을 바꾸려면 다음을 수행하세요.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **열 관리**를 선택합니다.
1. **이상값 바꾸기**를 선택합니다.
1. 이상값을 대체하려는 **열**을 선택합니다.
1. **이상값 정의**에서 **표준 편차**, **사용자 지정 숫자 범위** 또는 **사용자 지정 분위수 범위**를 선택합니다.
1. **표준 편차**를 선택하는 경우 **표준 편차**(표준 편차) 값을 1-3 사이로 지정하세요. **사용자 지정 숫자 범위** 또는 **사용자 지정 분위수 범위**를 선택하는 경우 **최소값**과 **최대값**(숫자 범위의 경우 숫자, 분위수 범위의 경우 0\$1 100% 사이의 백분위수)을 지정합니다.
1. **바꾸기**에 대해 **최소/최대 범위**를 선택합니다.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
**표준 편차** 옵션은 평균과 표준 편차를 사용하여 숫자 열의 이상값을 탐지합니다. 값이 이상값으로 간주되기 위해 평균과 달라야 하는 표준 편차 수를 지정합니다. 예를 들어, **표준 편차**로 3을 지정하는 경우 값이 평균에서 3 표준 편차 이상 떨어져야 이상값으로 간주됩니다. SageMaker Canvas는 이상값을 허용 범위의 최소값 또는 최대값으로 바꿉니다. 예를 들어 200-300의 값만 포함하도록 표준 편차를 구성하는 경우 SageMaker Canvas는 198을 200(최소값)으로 변경합니다.
**사용자 지정 숫자 범위** 및 **사용자 지정 분위수 범위** 옵션은 최소값과 최대값을 사용하여 숫자 열의 이상값을 감지합니다. 이상값을 구분하는 임계값을 알고 있는 경우 이 방법을 사용하세요. 숫자 범위를 선택하는 경우 **최소값**과 **최대값**은 허용하려는 최소 및 최대 숫자 값이어야 합니다. SageMaker Canvas는 최소값 및 최대값을 벗어나는 모든 값을 최소값 및 최대값으로 대체합니다. 예를 들어 범위가 1\$1100 사이의 값만 허용하는 경우 SageMaker Canvas는 102의 값을 100(최대값)으로 변경합니다. 분위수 범위를 선택하는 경우 **최소값**과 **최대값**은 허용하려는 백분위수 범위(0\$1100)의 최소값 및 최대값이어야 합니다.
데이터세트의 값을 바꾼 후 SageMaker Canvas는 **모델 레시피** 섹션에 변환을 추가합니다. **모델 레시피** 섹션에서 변환을 제거하면 원래 값이 데이터세트로 돌아갑니다.
![\[SageMaker Canvas 애플리케이션의 이상값 바꾸기 작업 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-replace-outlier.png)
### 데이터 유형 변경
SageMaker Canvas는 숫자, 텍스트, 날짜/시간 사이에서 열의 *데이터 유형*을 변경하는 동시에 해당 데이터 유형에 관련된 *기능 유형*을 표시할 수 있는 기능을 제공합니다. *데이터 유형*은 데이터 형식 및 저장 방식을 의미하고, *기능 유형*은 바이너리 또는 범주형과 같은 기계 학습 알고리즘에 사용되는 데이터의 기능을 나타냅니다. 이를 통해 기능에 따라 열의 데이터 유형을 수동으로 변경할 수 있는 유연성이 제공됩니다. 올바른 데이터 유형을 선택할 수 있는 기능은 모델을 구축하기 전에 데이터 무결성과 정확성을 보장합니다. 이러한 데이터 유형은 모델을 구축할 때 사용됩니다.
**참고**
현재는 기능 유형을 변경(예: 바이너리에서 범주형으로)하는 것은 지원되지 않습니다.
다음 표에는 Canvas에서 지원되는 데이터 유형 매핑이 나와 있습니다.
| 데이터 유형 | 설명 | 예제 |
| --- | --- | --- |
| Numeric | 숫자 데이터는 숫자 값을 나타냅니다. | 1, 2, 31.1, 1.2. 1.3 |
| 텍스트 | 텍스트 데이터는 이름이나 설명과 같은 일련의 문자를 나타냅니다. | A, B, C, D사과, 바나나, 오렌지1A\$1, 2A\$1, 3A\$1 |
| 날짜시간 | 날짜/시간 데이터는 날짜와 시간을 타임스탬프 형식으로 나타냅니다. | 2019-07-01 01:00:00, 2019-07-01 02:00:00, 2019-07-01 03:00:00 |
다음 표에는 Canvas에서 지원되는 모든 기능 유형이 나열되어 있습니다.
| 기능 유형 | 설명 | 예제 |
| --- | --- | --- |
| 바이너리 | 바이너리 특징은 두 가지 가능한 값을 나타냅니다. | 0, 1, 0, 1, 0 (2개의 고유 값)참, 거짓, 참 (개별 값 2개) |
| 범주형 | 범주형 기능은 고유한 범주 또는 그룹을 나타냅니다. | 사과, 바나나, 오렌지, 사과 (3개의 고유한 값)A, B, C, D, E, A, D, C (5개의 고유한 값) |
데이터세트에서 열의 데이터 유형을 수정하려면 다음을 수행하세요.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **열 뷰** 또는 **그리드 뷰**로 이동하여 특정 열에 대한 **데이터 유형** 드롭다운을 선택합니다.
1. **데이터 유형** 드롭다운에서 변환할 데이터 유형을 선택합니다. 다음 스크린샷은 드롭다운 메뉴를 보여줍니다.
![\[빌드 탭에 표시된 열의 데이터 유형 변환 드롭다운 메뉴\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-prepare-data-change.png)
1. **열**의 경우 데이터 유형을 변경하려는 열을 선택하거나 확인합니다.
1. **새 데이터 유형**에서 변환하려는 새 데이터 유형을 선택하거나 확인합니다.
1. **새 데이터 유형**이 `Datetime`또는 `Numeric`인 경우 **잘못된 값 처리**에서 다음 옵션 중 하나를 선택합니다.
1. **빈 값으로 바꾸기** - 잘못된 값은 빈 값으로 대체됩니다.
1. **행 삭제** - 잘못된 값이 있는 행이 데이터세트에서 제거됩니다.
1. **사용자 지정 값으로 바꾸기** - 잘못된 값은 지정한 **사용자 지정 값**으로 대체됩니다.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
이제 열의 데이터 유형이 업데이트되어야 합니다.
## 시계열 데이터 준비
시계열 예측 모델을 구축하기 위해 시계열 데이터를 준비하려면 다음 기능을 사용하세요.
### 시계열 데이터 리샘플링
시계열 데이터를 리샘플링하여 시계열 데이터세트의 관측치에 대해 일정한 간격을 설정할 수 있습니다. 이는 불규칙한 간격의 관측치를 포함하는 시계열 데이터로 작업할 때 특히 유용합니다. 예를 들어, 리샘플링을 사용하여 1시간, 2시간, 3시간 간격으로 기록된 관측값이 있는 데이터세트를 1시간 간격으로 일정한 관측치 간 간격으로 변환할 수 있습니다. 예측 알고리즘을 사용하려면 일정한 간격으로 관측치를 수집해야 합니다.
시계열 데이터를 리샘플링하려면 다음을 수행하세요.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에서 **시계열**을 선택합니다.
1. **리샘플링**을 선택합니다.
1. **타임스탬프 열**의 경우 변환을 적용할 열을 선택합니다. **날짜/시간** 유형의 열만 선택할 수 있습니다.
1. **빈도 설정** 섹션에서 **빈도** 및 **비율**을 선택합니다. **주파수**는 주파수 단위이고 **비율**은 열에 적용할 주파수 단위 간격입니다. 예를 들어 **빈도 값**으로 `Calendar Day`을 선택하고 **비율**로 `1`을 선택하면 간격이 달력일 기준 1일마다 증가하도록 설정됩니다(예: `2023-03-26 00:00:00`,`2023-03-27 00:00:00`,`2023-03-28 00:00:00`). **빈도 값**의 전체 목록은 이 절차 다음에 나오는 테이블을 참조하세요.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
다음 테이블에는 시계열 데이터를 리샘플링할 때 선택할 수 있는 모든 **빈도** 유형이 나와 있습니다.
| 빈도 | 설명 | 예제 값 (비율이 1이라고 가정) |
| --- | --- | --- |
| 영업일 | 날짜/시간 열의 관측치를 영업일 기준 5일(월요일, 화요일, 수요일, 목요일, 금요일)로 리샘플링합니다. | 2023-03-24 00:00:00 2023-03-27 00:00:00 2023-03-28 00:00:00 2023-03-29 00:00:00 2023-03-30 00:00:00 2023-03-31 00:00:00 2023-04-03 00:00:00 |
| 역일 | 날짜/시간 열의 관측치를 전체 7일(월요일, 화요일, 수요일, 목요일, 금요일, 토요일, 일요일)로 리샘플링합니다. | 2023-03-26 00:00:00 2023-03-27 00:00:00 2023-03-28 00:00:00 2023-03-29 00:00:00 2023-03-30 00:00:00 2023-03-31 00:00:00 2023-04-01 00:00:00 |
| 주 | 날짜/시간 열의 관측치를 매주 첫째 날로 리샘플링합니다. | 2023-03-13 00:00:00 2023-03-20 00:00:00 2023-03-27 00:00:00 2023-04-03 00:00:00 |
| 월 | 날짜/시간 열의 관측치를 해당 월의 첫 번째 날로 리샘플링합니다. | 2023-03-01 00:00:00 2023-04-01 00:00:00 2023-05-01 00:00:00 2023-06-01 00:00:00 |
| 연간 분기 | 날짜/시간 열의 관측치를 각 분기의 마지막 날로 리샘플링합니다. | 2023-03-31 00:00:00 2023-06-30 00:00:00 2023-09-30 00:00:00 2023-12-31 00:00:00 |
| 연도 | 날짜/시간 열의 관측치를 매년 마지막 날로 리샘플링합니다. | 2022-12-31 0:00:00 2023-12-31 00:00:00 2024-12-31 00:00:00 |
| 시간 | 날짜/시간 열의 관측치를 매일 각 시간에 리샘플링합니다. | 2023-03-24 00:00:00 2023-03-24 01:00:00 2023-03-24 02:00:00 2023-03-24 03:00:00 |
| 분 | 날짜/시간 열의 관측치를 각 시간의 분 단위로 재샘플링합니다. | 2023-03-24 00:00:00 2023-03-24 00:01:00 2023-03-24 00:02:00 2023-03-24 00:03:00 |
| 초 | 날짜/시간 열의 관측치를 매 분의 초 단위로 재샘플링합니다. | 2023-03-24 00:00:00 2023-03-24 00:00:01 2023-03-24 00:00:02 2023-03-24 00:00:03 |
리샘플링 변환을 적용할 때 **고급** 옵션을 사용하여 데이터세트의 나머지 열(타임스탬프 열 제외)의 결과 값이 수정되는 방식을 지정할 수 있습니다. 이는 숫자 열과 숫자가 아닌 열 모두에 대해 다운샘플링 또는 업샘플링할 수 있는 리샘플링 방법을 지정하여 달성할 수 있습니다.
*다운샘플링*은 데이터세트의 관측 간격을 늘립니다. 예를 들어, 1시간 또는 2시간마다 실시되던 관측을 다운샘플링하면 데이터 세트의 각 관측치를 2시간마다 추출합니다. 시간별 관측치의 다른 열 값은 조합 방법을 사용하여 단일 값으로 집계됩니다. 다음 테이블에서는 평균을 조합 메서드로 사용하여 시계열 데이터를 다운샘플링하는 예제를 볼 수 있습니다. 데이터는 2시간 간격에서 1시간 간격으로 다운샘플링됩니다.
다음 테이블은 다운샘플링 전 하루 동안의 시간별 온도 판독값을 보여줍니다.
| 타임스탬프 | 온도 (섭씨) |
| --- | --- |
| 오후 12시 | 30 |
| 오전 1시 | 32 |
| 오전 2시 | 35 |
| 오전 3시 | 32 |
| 오전 4시 | 30 |
다음 테이블은 2시간마다 다운샘플링한 후의 온도 판독값을 보여줍니다.
| 타임스탬프 | 온도 (섭씨) |
| --- | --- |
| 오후 12시 | 30 |
| 오전 2시 | 33.5 |
| 오전 2시 | 35 |
| 오전 4시 | 32.5 |
시계열 데이터를 다운샘플링하려면 다음을 수행합니다.
1. **리샘플링** 변환 아래의 **고급** 섹션을 확장하세요.
1. 숫자가 아닌 열의 조합 방법을 지정하려면 **숫자가 아닌 조합**을 선택합니다. 조합 방법의 전체 목록은 아래 테이블을 참조하세요.
1. 숫자 열의 조합 방법을 지정하려면 **숫자 조합**을 선택합니다. 조합 메서드의 전체 목록은 아래 테이블을 참조하세요.
조합 방법을 지정하지 않는 경우 기본값은 **숫자가 아닌 조합**의 경우 `Most Common`, **숫자 조합**의 경우 `Mean`입니다. 다음 표에는 숫자 및 숫자가 아닌 조합 메서드가 나열되어 있습니다.
| 다운샘플링 방법론 | 조합 메서드 | 설명 |
| --- | --- | --- |
| 숫자가 아닌 조합 | 가장 일반적 | 숫자가 아닌 열의 값을 가장 일반적으로 발생하는 값으로 집계합니다. |
| 숫자가 아닌 조합 | 마지막 | 숫자가 아닌 열의 값을 열의 마지막 값으로 집계합니다. |
| 숫자가 아닌 조합 | 첫 번째 | 숫자가 아닌 열의 값을 열의 첫 번째 값으로 집계합니다. |
| 숫자 조합 | 평균 | 열에 있는 모든 값의 평균을 구하여 숫자 열의 값을 집계합니다. |
| 숫자 조합 | 중간 | 열에 있는 모든 값의 중앙값을 취하여 숫자 열의 값을 집계합니다. |
| 숫자 조합 | 최소 | 열에 있는 모든 값의 최소값을 취하여 숫자 열의 값을 집계합니다. |
| 숫자 조합 | 최대 | 열에 있는 모든 값의 최대값을 취하여 숫자 열의 값을 집계합니다. |
| 숫자 조합 | Sum | 열의 모든 값을 더하여 숫자 열의 값을 집계합니다. |
| 숫자 조합 | 분위수 | 열에 있는 모든 값의 분위수를 취하여 숫자 열의 값을 집계합니다. |
*업샘플링*은 데이터세트의 관측 간격이 줄입니다. 예를 들어, 2시간마다 수집되던 관측치를 시간별로 업샘플링하는 경우 시간당 관측치의 다른 열 값은 2시간마다 수집된 관측치에서 보간됩니다.
시계열 데이터를 업샘플링하려면 다음을 수행합니다.
1. **리샘플링** 변환 아래의 **고급** 섹션을 확장하세요.
1. 숫자가 아닌 열에 대한 추정 방법을 지정하려면 **숫자가 아닌 추정**을 선택합니다. 전체 방법 목록은 이 절차 다음에 나오는 테이블을 참조하세요.
1. 숫자 열에 대한 추정 방법을 지정하려면 **숫자 추정**을 선택합니다. 전체 메서드 목록은 아래 테이블을 참조하세요.
1. (선택 사항) **ID 열**을 선택하여 시계열의 관측치 ID가 있는 열을 지정합니다. 데이터세트에 두 개의 시계열이 있는 경우 이 옵션을 지정하세요. 하나의 시계열만 나타내는 열이 있는 경우 이 필드에 값을 지정하지 마세요. 예를 들어 `id`열과 `purchase`이 있는 데이터세트가 있을 수 있습니다. `id` 열의 값은 `[1, 2, 2, 1]`과 같습니다. `purchase` 열의 값은 `[$2, $3, $4, $1]`과 같습니다. 따라서 데이터세트에는 시계열이 두 개 있습니다.한 시계열은 `1: [$2, $1]`이고 다른 시계열은 `2: [$3, $4]`입니다.
추정 방법을 지정하지 않는 경우 기본값은 **숫자가 아닌 추정**은 `Forward Fill`, **숫자 추정**의 경우 `Linear`입니다. 다음 테이블에는 추정 방법이 나열되어 있습니다.
| 업샘플링 방법론 | 추정 방법 | 설명 |
| --- | --- | --- |
| 숫자가 아닌 추정 | 전방 채우기 | 숫자가 아닌 열의 모든 값 뒤에 연속된 값을 취하여 숫자가 아닌 열의 값을 보간합니다. |
| 숫자가 아닌 추정 | 역방향 채우기 | 숫자가 아닌 열의 모든 값 앞에 연속된 값을 사용하여 값을 보간합니다. |
| 숫자가 아닌 추정 | 계속 누락 | 숫자가 아닌 열의 값을 빈 값으로 표시하여 보간합니다. |
| 숫자 추정 | 선형, 시간, 지수, 0, S-선형, 최근접, 2차, 3차, 무게 중심, 다항식, 크로그, 구간별 다항식, 스플라인, P-칩, 아키마, 3차 스플라인, 도함수로부터 | 지정된 보간기를 사용하여 숫자 열의 값을 보간합니다. 보간 방법에 대한 자세한 내용은 판다스 설명서의 [pandas.DataFrame.interpolate](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html)를 참조하세요. |
다음 스크린샷은 다운샘플링 및 업샘플링 필드가 채워진 **고급 설정**을 보여줍니다.
![\[시계열 리샘플링 측면 패널에 고급 옵션이 표시된 Canvas 애플리케이션\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-prepare-data-resampling.png)
### 날짜/시간 추출 사용
날짜/시간 추출 변환을 사용하면 날짜/시간 열에서 별도의 열로 값을 추출할 수 있습니다. 예를 들어 구매 날짜가 포함된 열이 있는 경우 월 값을 별도의 열로 추출하여 모델을 생성할 때 새 열을 사용할 수 있습니다. 단일 변환으로 여러 값을 추출하여 별도의 열로 만들 수도 있습니다.
날짜/시간 열은 지원되는 타임스탬프 형식을 사용해야 합니다. SageMaker Canvas가 지원하는 형식 목록은 [Amazon SageMaker Canvas의 시계열 예측](canvas-time-series.md)을 참조하세요. 데이터세트가 지원되는 형식 중 하나를 사용하지 않는 경우, 지원되는 타임스탬프 형식을 사용하도록 데이터세트를 업데이트하고 모델을 구축하기 전에 Amazon SageMaker Canvas로 다시 가져옵니다.
날짜/시간 추출을 수행하려면 다음을 수행하세요.
1. SageMaker Canvas 애플리케이션의 **빌드** 탭에 있는 변환 막대에서 **모두 보기**를 선택합니다.
1. **추출 기능**을 선택합니다.
1. 값을 추출하려는 **타임스탬프 열**을 선택합니다.
1. **값**의 경우 열에서 추출할 값을 하나 이상 선택합니다. 타임스탬프 열에서 추출할 수 있는 값은 **년**, **월**, **일**, **시간**, **연중 주**, **연중 요일**, **분기**입니다.
1. (선택 사항) **미리 보기를** 선택하여 변환 결과를 미리 볼 수 있습니다.
1. **추가**를 선택하여 **모델 레시피**에 변환을 추가합니다.
SageMaker Canvas는 추출한 각 값에 대해 데이터세트에 새 열을 생성합니다. **연도** 값을 제외하고 SageMaker Canvas는 추출된 값에 0 기반 인코딩을 사용합니다. 예를 들어 **월** 값을 추출하면 1월은 0으로 추출되고 2월은 1로 추출됩니다.
![\[SageMaker Canvas 애플리케이션의 날짜/시간 추출 상자 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-datetime-extract.png)
**모델 레시피** 섹션에 나열된 변환을 볼 수 있습니다. **모델 레시피** 섹션에서 변환을 제거하면 데이터세트에서 새 열이 제거됩니다.
# 모델 평가
모델을 구축한 후에는 모델을 사용하여 예측하기 전에 모델이 데이터에서 얼마나 잘 수행되었는지 평가할 수 있습니다. 레이블 및 고급 지표를 예측할 때 모델의 정확도와 같은 정보를 사용하여 모델이 데이터에 대해 충분히 정확한 예측을 할 수 있는지 확인할 수 있습니다.
[모델의 성능 평가](canvas-scoring.md) 섹션에서는 모델의 **분석** 페이지에서 정보를 보고 해석하는 방법을 설명합니다. [분석에 고급 지표 사용](canvas-advanced-metrics.md) 섹션에는 모델의 정확도를 정량화하는 데 사용되는 **고급 지표**에 대한 자세한 정보가 포함되어 있습니다.
Canvas가 모델을 빌드하는 동안 실행하는 모든 모델 반복인 특정 *모델 후보*에 대한 고급 정보도 볼 수 있습니다. 지정된 모델 후보에 대한 고급 지표를 기반으로 기본값으로 사용할 다른 후보 또는 예측 및 배포에 사용되는 버전을 선택할 수 있습니다. 각 모델 후보에 대해 **고급 지표** 정보를 보고 기본값으로 선택할 모델 후보를 결정하는 데 도움이 될 수 있습니다. **모델 리더보드** 에서 모델 후보를 선택하여 이 정보를 볼 수 있습니다. 자세한 내용은 [모델 리더보드에서 모델 후보 보기](canvas-evaluate-model-candidates.md) 섹션을 참조하세요.
Canvas는 모델 빌드에 사용되는 코드를 보고 실행할 수 있도록 Jupyter Notebook을 다운로드하는 옵션도 제공합니다. 이는 코드를 조정하거나 모델이 빌드된 방식에 대해 자세히 알고 싶을 때 유용합니다. 자세한 내용은 [모델 노트북 다운로드](canvas-notebook.md) 섹션을 참조하세요.
# 모델의 성능 평가
Amazon SageMaker Canvas는 다양한 유형의 모델에 대한 개요 및 점수 정보를 제공합니다. 모델의 점수는 예측 시 모델이 얼마나 정확한지 판단하는 데 도움이 될 수 있습니다. 추가 점수 평가 통찰력은 실제 값과 예측 값 간의 차이를 정량화하는 데 도움이 될 수 있습니다.
모델 분석을 보려면 다음 작업을 수행합니다.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. 빌드한 모델을 선택합니다.
1. 탐색 창에서 **분석** 탭을 선택합니다.
1. **분석** 탭에서 모델의 개요 및 점수 평가 정보를 볼 수 있습니다.
다음 섹션에서는 각 모델 유형에 대한 점수 평가를 해석하는 방법을 설명합니다.
## 범주형 예측 모델 평가
**개요** 탭에는 각 열에 대한 열 영향이 표시됩니다. **열 영향**은 다른 열과 관련하여 예측을 수행할 때 해당 열의 가중치를 나타내는 백분율 점수입니다. 한 열 영향이 25%인 경우 Canvas는 해당 열에 대해 25%, 다른 열에 대해 75%로 예측 가중치를 적용합니다.
다음 스크린샷은 모델을 구축할 때 최적화하기 위해 선택한 지표인 **최적화 지표**와 함께 모델의 **정확도** 점수를 보여줍니다. 이 경우 **최적화 지표**는 **정확도**입니다. 모델의 새 버전을 빌드하는 경우 다른 최적화 지표를 지정할 수 있습니다.
![\[Canvas의 분석 탭에 있는 정확도 점수 및 최적화 지표의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-category.png)
범주형 예측 모델의 **점수 평가** 탭에서는 모든 예측을 시각화할 수 있습니다. 선 세그먼트는 페이지 왼쪽부터 확장되어 모델이 수행한 모든 예측을 나타냅니다. 페이지 중앙의 선 세그먼트는 수직 세그먼트로 수렴하여 단일 범주에 대한 각 예측의 비율을 나타냅니다. 예측된 범주에서 세그먼트는 실제 범주로 분기됩니다. 예측 범주에서 실제 범주까지 각 선 세그먼트를 따라가면 예측의 정확도를 시각적으로 파악할 수 있습니다.
다음 이미지는 **3개 이상의 범주 예측** 모델에 대한 **점수 평가** 섹션의 예시입니다.
![\[3개 이상의 범주 예측 모델에 대한 점수 평가 탭의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-multiclass-classification.png)
**고급 지표** 탭에서 고급 지표, 오류 밀도 플롯 또는 혼동 행렬과 같이 모델의 성능에 대한 자세한 내용을 참조할 수도 있습니다. **고급 지표**에 대한 자세한 내용은 [분석에 고급 지표 사용](canvas-advanced-metrics.md) 섹션을 참조하세요.
## 숫자 예측 모델 평가
**개요** 탭에는 각 열에 대한 열 영향이 표시됩니다. **열 영향**은 다른 열과 관련하여 예측을 수행할 때 해당 열의 가중치를 나타내는 백분율 점수입니다. 한 열 영향이 25%인 경우 Canvas는 해당 열에 대해 25%, 다른 열에 대해 75%로 예측 가중치를 적용합니다.
다음 스크린샷은 **개요** 탭에 있는 모델의 **RMSE** 점수를 보여줍니다(이 경우 **최적화 지표**). **최적화 지표**는 모델을 구축할 때 최적화하기 위해 선택하는 지표입니다. 모델의 새 버전을 빌드하는 경우 다른 최적화 지표를 지정할 수 있습니다.
![\[Canvas의 분석 탭에 있는 RMSE 최적화 지표의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-numeric.png)
숫자 예측을 위한 **점수 평가** 탭에는 예측에 사용된 데이터와 관련하여 모델의 예측 값을 나타내는 선이 표시됩니다. 숫자 예측 값은 대개 \$1/- RMSE (근 평균 제곱 오차) 값입니다. 모델이 예측하는 값은 대개 RMSE 범위 내에 있습니다. 선 주위의 보라색 띠 너비는 RMSE 범위를 나타냅니다. 예측 값은 종종 범위 내에 있습니다.
다음 이미지는 숫자 예측에 대한 **점수 평가** 섹션을 보여줍니다.
![\[숫자 예측 모델에 대한 점수 평가 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-analyze-regression-scoring.png)
**고급 지표** 탭에서 고급 지표, 오류 밀도 플롯 또는 혼동 행렬과 같이 모델의 성능에 대한 자세한 내용을 참조할 수도 있습니다. **고급 지표**에 대한 자세한 내용은 [분석에 고급 지표 사용](canvas-advanced-metrics.md) 섹션을 참조하세요.
## 시계열 예측 모델 평가
시계열 예측 모델의 **분석** 페이지에서 모델 지표의 개요를 볼 수 있습니다. 각 지표를 마우스로 가리켜 자세한 내용을 보거나 각 지표에 대한 정보를 [분석에 고급 지표 사용](canvas-advanced-metrics.md) 섹션에서 확인할 수 있습니다.
**열 영향** 섹션에서 각 열의 점수를 볼 수 있습니다. **열 영향**은 다른 열과 관련하여 예측을 수행할 때 해당 열의 가중치를 나타내는 백분율 점수입니다. 한 열 영향이 25%인 경우 Canvas는 해당 열에 대해 25%, 다른 열에 대해 75%로 예측 가중치를 적용합니다.
다음 스크린샷은 모델을 빌드할 때 최적화하기 위해 선택하는 지표인 **최적화 지표**와 함께 모델에 대한 시계열 지표 점수를 보여줍니다. 이 경우 **최적화 지표는** **RMSE**입니다. 모델의 새 버전을 빌드하는 경우 다른 최적화 지표를 지정할 수 있습니다. 이러한 지표 점수는 **아티팩트** 탭에서 다운로드할 수 있는 백테스트 결과에서 가져옵니다.
![\[Canvas의 분석 탭에 있는 RMSE 최적화 지표의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-time-series.png)
**아티팩트** 탭에서는 모델의 성능을 심층적으로 살펴보고 계속 반복하는 데 사용할 수 있는 몇 가지 주요 리소스에 액세스할 수 있습니다.
+ **셔플 훈련 및 검증 분할** - 이 섹션에는 데이터세트가 훈련 및 검증 세트로 분할될 때 생성된 아티팩트에 대한 링크가 포함되어 있으므로 데이터 배포 및 잠재적 편향을 검토할 수 있습니다.
+ **백테스트 결과** - 이 섹션에는 모델의 정확도 지표 및 평가 데이터를 생성하는 데 사용되는 검증 데이터세트의 예측 값에 대한 링크가 포함되어 있습니다.
+ **정확도 지표** - 이 섹션에는 Root Mean Squared Error(RMSE)와 같이 모델의 성능을 평가하는 고급 지표가 나열되어 있습니다. 각 지표에 대한 자세한 내용은 [시계열 예측용 지표](canvas-metrics.md#canvas-time-series-forecast-metrics) 섹션을 참조하세요.
+ **설명 가능성 보고서** - 이 섹션에서는 설명 가능성 보고서를 다운로드할 수 있는 링크를 제공합니다. 이 보고서를 통해 모델의 의사 결정 프로세스와 입력 열의 상대적 중요성에 대한 인사이트를 얻을 수 있습니다. 이 보고서는 개선이 필요한 잠재적 영역을 식별하는 데 도움이 될 수 있습니다.
**분석** 페이지에서 **다운로드** 버튼을 선택하여 백테스트 결과, 정확도 지표 및 설명 가능성 보고서 아티팩트를 로컬 머신에 직접 다운로드할 수도 있습니다.
## 이미지 예측 모델 평가
**개요** 탭에는 **레이블별 성능**이 표시되며, 각 레이블에 대해 예측된 이미지의 전체 정확도 점수를 확인할 수 있습니다. 레이블을 선택하면 레이블에 대해 **정확하게 예측된** 이미지 및 **잘못 예측된** 이미지와 같은 보다 구체적인 세부 정보를 볼 수 있습니다.
**열 지도** 토글을 켜서 각 이미지의 열 지도를 볼 수 있습니다. 열 지도는 모델이 예측을 수행할 때 가장 큰 영향을 미치는 관심 영역을 보여줍니다. 열 지도에 대한 자세한 내용과 이를 사용하여 모델을 개선하는 방법을 알아보려면 **열 지도** 토글 옆에 있는 **추가 정보** 아이콘을 선택하세요.
단일 레이블 이미지 예측 모델의 **점수 평가** 탭에서는 모델이 레이블로 예측한 것과 실제 레이블을 비교하여 보여줍니다. 한번에 최대 10개의 레이블을 선택할 수 있습니다. 레이블 드롭다운 메뉴를 선택하고 레이블을 선택하거나 선택 취소하여 시각화에서 레이블을 변경할 수 있습니다.
**모델 정확도 통찰력** 섹션에서 드롭다운에 대한 **점수 보기** 메뉴를 선택하여 정확도가 가장 높거나 가장 낮은 세 개의 레이블과 같은 개별 레이블 또는 레이블 그룹에 대한 통찰력을 볼 수 있습니다.
다음 스크린샷은 단일 레이블 이미지 예측 모델의 **점수 평가** 정보를 보여줍니다.
![\[다중 카테고리 텍스트 예측 모델에 대한 점수 평가 페이지의 실제 레이블과 예측 레이블\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/analyze-image-scoring.png)
## 텍스트 예측 모델 평가
**개요** 탭에는 각 레이블에 대해 예측된 텍스트 구절에 대한 전반적인 정확도 점수를 제공하는 **레이블당 성능**이 표시됩니다. 레이블을 선택하면 레이블의 **올바르게 예측된** 구절 및 **잘못 예측된** 구절과 같은 보다 구체적인 세부 정보를 볼 수 있습니다.
다중 카테고리 텍스트 예측 모델의 **점수 평가** 탭에서는 모델이 레이블로 예측한 것과 실제 레이블을 비교하여 보여줍니다.
**모델 정확도 통찰력** 섹션에서는 모델이 가장 자주 예측한 카테고리와 이러한 예측의 정확도를 알려주는 **가장 빈번한 카테고리**를 확인할 수 있습니다. 모델이 **긍정**이라는 레이블을 99%의 확률로 정확하게 예측한다면 모델이 텍스트의 긍정적 감정을 잘 예측한다고 확신할 수 있습니다.
다음 스크린샷은 다중 카테고리 텍스트 예측 모델의 **점수 평가** 정보를 보여줍니다.
![\[단일 레이블 이미지 예측 모델의 점수 평가 페이지에 있는 실제 레이블과 예상 레이블\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/analyze-text-scoring.png)
# 분석에 고급 지표 사용
다음 섹션에서는 Amazon SageMaker Canvas에서 모델의 고급 지표를 찾고 해석하는 방법을 설명합니다.
**참고**
고급 지표는 현재 숫자 및 범주형 예측 모델에서만 사용할 수 있습니다.
**고급 지표** 탭을 찾으려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. 빌드한 모델을 선택합니다.
1. 탐색 창에서 **분석** 탭을 선택합니다.
1. **분석** 탭에서 **고급 지표** 탭을 선택합니다.
**고급 지표** 탭에서 **성능** 탭을 찾을 수 있습니다. 이 페이지는 다음 스크린샷과 같습니다.
![\[범주형 예측 모델에 대한 고급 지표 탭의 스크린샷\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-analyze-performance.png)
모델을 빌드할 때 최적화하기 위해 선택한 지표(또는 Canvas가 기본적으로 선택한 지표)인 **최적화 지표**를 포함한 지표 점수의 개요를 상단에서 볼 수 있습니다.
다음 섹션에서는 **고급 지표** 내의 **성능** 탭에 대한 자세한 정보를 설명합니다.
## 성능
**성능** 탭에는 Canvas가 모델 유형에 따라 만드는 시각화와 함께 **지표 테이블**이 표시됩니다. Canvas는 범주형 예측 모델의 경우 *혼동 행렬*을 제공하는 반면, 숫자 예측 모델의 경우 *잔차* 및 *오류 밀도* 차트를 제공합니다.
**지표 테이블**에는 페이지 상단의 점수 개요보다 더 포괄적인 각 고급 지표에 대한 모델 점수의 전체 목록이 제공됩니다. 여기에 표시된 지표는 모델 유형에 따라 다릅니다. 각 지표를 이해하고 해석하는 데 도움이 되는 참조 자료는 [지표 참조](canvas-metrics.md) 섹션을 참조하세요.
모델 유형에 따라 나타날 수 있는 시각화를 이해하려면 다음 옵션을 참조하세요.
+ **혼동 행렬** - SageMaker Canvas는 혼동 행렬을 사용하여 모델이 올바르게 예측하는 시점을 시각화하는 데 도움이 됩니다. 혼동 행렬에서는 예측값을 실제 값과 비교하도록 결과를 정렬합니다. 다음 예제에서는 양성 레이블과 음성 레이블을 예측하는 2개 범주 예측 모형에 대해 혼동 행렬이 작동하는 방법을 설명합니다:
+ 참양성 - 실제 레이블이 양성인 경우 모델이 양성을 올바르게 예측했습니다.
+ 참음성 – 실제 레이블이 음수일 때 모델이 음수를 올바르게 예측했습니다.
+ 거짓양성 – 실제 레이블이 음수일 때 모델이 양성을 잘못 예측했습니다.
+ 거짓 음성 – 실제 레이블이 양성일 때 모델이 음성을 잘못 예측했습니다.
+ **정밀 리콜 곡선** - 정밀 리콜 곡선은 모델의 리콜 점수와 비교하여 모델의 정밀도 점수를 도표로 시각화한 것입니다. 일반적으로 완벽한 예측을 할 수 있는 모델은 정밀도와 리콜 점수가 모두 1입니다. 상당히 정확한 모델의 정밀도 리콜 곡선은 정밀도와 리콜 모두에서 상당히 높습니다.
+ **잔차** - 잔차는 실제 값과 모델에서 예측한 값 간의 차이입니다. 잔차 차트는 잔차를 해당 값과 비교하여 도표화하여 분포와 패턴 또는 이상치를 시각화합니다. 잔차의 정규 분포가 0에 가까우면 모델이 데이터에 적합함을 나타냅니다. 그러나 잔차가 크게 왜곡되거나 이상치가 있는 경우 모델이 데이터에 과적합하거나 해결해야 할 다른 문제가 있음을 나타낼 수 있습니다.
+ **오류 밀도** - 오류 밀도 도표는 모델에서 발생한 오류의 분포를 나타냅니다. 각 시점에서 오류의 확률 밀도를 표시하여 모델이 과적합하거나 시스템적인 오류를 일으킬 수 있는 영역을 식별하는 데 도움이 됩니다.
# 모델 리더보드에서 모델 후보 보기
Amazon SageMaker Canvas에서 테이블 형식 및 시계열 예측 모델에 대한 [표준 구축](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html)을 수행하면 SageMaker AI는 여러 *모델 후보*(모델의 각기 다른 반복)를 훈련하고 기본적으로 최적화 지표 값이 가장 높은 후보를 선택합니다. 테이블 형식 모델의 경우 Canvas는 다양한 알고리즘과 하이퍼파라미터 설정을 사용하여 최대 250개의 다양한 모델 후보를 빌드합니다. 시계열 예측 모델의 경우 Canvas는 [지원되는 예측 알고리즘](canvas-advanced-settings.md#canvas-advanced-settings-time-series) 각각에 대해 하나씩, 그리고 정확도를 최적화하기 위해 다른 모델의 예측의 평균을 구하는 앙상블 모델 하나, 이렇게 7개의 서로 다른 모델을 빌드합니다.
기본 모델 후보는 예측, 모델 레지스트리에 등록 또는 엔드포인트에 배포와 같은 작업에 Canvas에서 사용할 수 있는 유일한 버전입니다. 그러나 모든 모델 후보를 검토하고 기본 모델로 사용할 다른 후보를 선택할 수 있습니다. Canvas의 **모델 리더보드**에서 모든 모델 후보와 각 후보에 대한 자세한 내용을 볼 수 있습니다.
**모델 리더보드**를 보려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. 빌드한 모델을 선택합니다.
1. 탐색 창에서 **분석** 탭을 선택합니다.
1. **분석** 탭에서 **모델 리더보드**를 선택합니다.
**모델 리더보드** 페이지가 열립니다. 테이블 형식 모델의 경우 다음 스크린샷과 같습니다.
![\[Canvas가 훈련한 모든 모델 후보를 나열하는 모델 리더보드\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-model-leaderboard.png)
시계열 예측 모델의 경우 Canvas에서 지원하는 시계열 예측 알고리즘 각각에 대해 하나씩, 그리고 앙상블 모델 하나, 이렇게 7개의 모델이 표시됩니다. 알고리즘에 대한 자세한 내용은 [고급 시계열 예측 모델 설정](canvas-advanced-settings.md#canvas-advanced-settings-time-series) 섹션을 참조하세요.
앞의 스크린샷에서 나열된 첫 번째 모델 후보가 **기본 모델**로 표시되어 있음을 확인할 수 있습니다. 이것이 예측하거나 엔드포인트에 배포할 수 있는 모델 후보입니다.
모델 후보에 대한 자세한 지표 정보를 보고 비교하려면 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택하고 **모델 세부 정보 보기**를 선택합니다.
**중요**
기본이 아닌 모델 후보에 대한 모델 세부 정보를 로드하는 데 몇 분(일반적으로 10분 미만)이 걸릴 수 있으며 SageMaker AI 호스팅 요금이 부과됩니다. 자세한 내용은 [SageMaker AI Pricing](https://aws.amazon.com/sagemaker/pricing/) 섹션을 참조하세요.
모델 후보가 **분석** 탭에서 열리며, 표시되는 지표는 해당 모델 후보에 따라 다릅니다. 모델 후보의 지표 검토를 마치면 뒤로 돌아가거나 보기를 종료하고 **모델 리더보드**로 돌아갈 수 있습니다.
**기본 모델**을 다른 후보로 설정하려면 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택하고 **기본 모델로 변경**을 선택합니다. HPO 모드를 사용하여 훈련된 모델의 경우 기본 모델을 변경하는 데 몇 분 정도 걸릴 수 있습니다.
**참고**
모델이 프로덕션에 이미 배포되었거나 [모델 레지스트리에 등록](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-register-model.html)되었거나 [자동화](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-manage-automations.html)가 설정된 경우 기본 모델을 변경하기 전에 배포, 모델 등록 또는 자동화를 삭제해야 합니다.
# 지표 참조
다음 섹션에서는 각 모델 유형에 대해 Amazon SageMaker Canvas에서 사용할 수 있는 지표를 설명합니다.
## 숫자 예측을 위한 지표
다음 목록에서는 SageMaker Canvas의 숫자 예측을 위한 지표를 정의하고 이를 사용하는 방법에 대한 정보를 제공합니다.
+ InferenceLatency - 모델 예측을 요청한 후 모델이 배포되는 실시간 엔드포인트에서 수신하기까지 걸리는 대략적인 시간입니다. 이 지표는 초 단위로 측정되며 **앙상블링** 모드로 빌드된 모델에서만 사용할 수 있습니다.
+ MAE – 평균 절대 오류입니다. 평균적으로 대상 열에 대한 예측은 실제 값의 \$1/- \$1MAE\$1입니다.
모든 값에 대해 평균을 구했을 때 예측값과 실제 값의 차이를 측정합니다. MAE는 일반적으로 숫자 예측에서 모델 예측 오류를 이해하는 데 사용됩니다. 예측이 선형이면 MAE는 예측선에서 실제 값까지의 평균 거리를 나타냅니다. MAE는 절대 오차의 합계를 관측 숫자로 나눈 값으로 정의됩니다. 값 범위는 0에서 무한대까지이며, 숫자가 작을수록 모델이 데이터에 피팅이 더 좋다는 것을 나타냅니다.
+ MAPE - 평균 절대 백분율 오류 평균적으로 대상 열에 대한 예측은 실제 값의 \$1/- \$1MAPE\$1%입니다.
MAPE는 실제 값과 예측 또는 추정 값 간의 절대 차이의 평균을 실제 값으로 나누고 백분율로 표현한 것입니다. MAPE가 낮을수록 예상 또는 예상 값이 실제 값에 더 가깝기 때문에 성능이 더 좋습니다.
+ MSE - 평균 제곱 오차, 즉 예측값과 실제 값의 차이를 제곱한 평균값입니다.
MSE 값은 항상 양수입니다. 모델이 실제 값을 더 잘 예측할수록 MSE 값은 작아집니다.
+ R2 - 입력 열로 설명할 수 있는 대상 열의 차이의 백분율입니다.
모델이 종속 변수의 분산을 설명할 수 있는 양을 정량화합니다. 값의 범위는 1에서 -1까지입니다. 숫자가 높을수록 설명된 변동성의 비율이 높음을 나타냅니다. 값이 0에 가까우면 종속 변수를 모델로 설명할 수 있는 종속 변수가 거의 없음을 나타냅니다. 음수 값은 피팅이 안 좋으며 상수 함수(또는 수평선)가 모델 성능을 능가한다는 것을 나타냅니다.
+ RMSE - 루트 평균 제곱 오차, 즉 오류의 표준 편차입니다.
예측값과 실제 값 간의 차이의 제곱의 제곱근을 측정하며 모든 값에 대해 평균을 구합니다. 모델 예측 오류를 이해하는 데 사용되며 큰 모델 오차와 이상값이 있음을 나타내는 중요한 지표입니다. 값 범위는 0에서 무한대까지이며 숫자가 작을수록 모델이 데이터에 더 적합함을 나타냅니다. RMSE는 규모에 따라 달라지므로 유형이 다른 데이터세트를 비교하는 데 사용해서는 안 됩니다.
## 범주형 예측용 지표
이 섹션에서는 Amazon SageMaker Canvas의 범주형 예측을 위한 고급 지표를 정의하고 이를 사용하는 방법에 대한 정보를 제공합니다.
다음은 2개 범주 예측에 사용할 수 있는 지표 목록입니다.
+ 정확도 - 정확한 예측의 백분율입니다.
또는 올바르게 예측된 항목 대비 총 예측 수의 비율입니다. 정확도는 예측된 클래스 값이 실제 값에 얼마나 가까운지를 측정합니다. 정확도 지표의 값은 0에서 1 사이입니다. 값 1은 완벽한 정확도를 나타내고, 0은 완전한 부정확도를 나타냅니다.
+ AUC - 0에서 1 사이의 값으로, 모델이 데이터세트의 범주를 얼마나 잘 구분할 수 있는지를 나타냅니다. 값이 1이면 범주를 완벽하게 구분할 수 있었음을 나타냅니다.
+ BalancedAccuracy - 모든 예측 대비 정확한 예측의 비율을 측정합니다.
이 비율은 양성(P) 값과 음성(N) 값의 개수의 합계로 True positive(TP) 및 True negative(TN)를 정규화한 후 계산됩니다. `0.5*((TP/P)+(TN/N))`으로 정의되며 값은 0\$11 범위입니다. 균형 잡힌 정확도 지표는 이메일의 1%만 스팸인 경우와 같이 불균형한 데이터세트에서 양수 또는 음수의 개수가 서로 크게 다를 때 더 나은 정확도 측정치를 제공합니다.
+ F1 - 클래스 균형을 고려한 균형 잡힌 정확도 척도입니다.
이는 정의된 정밀도 및 리콜 점수의 조화 평균이며 `F1 = 2 * (precision * recall) / (precision + recall)`로 정의됩니다. F1 점수는 0과 1 사이입니다. 1점은 가능한 최고의 성과를 나타내고, 0점은 최악을 나타냅니다.
+ InferenceLatency - 모델 예측을 요청한 후 모델이 배포되는 실시간 엔드포인트에서 수신하기까지 걸리는 대략적인 시간입니다. 이 지표는 초 단위로 측정되며 **앙상블링** 모드로 빌드된 모델에서만 사용할 수 있습니다.
+ LogLoss - 교차 엔트로피 손실이라고도 하는 로그 손실은 출력 자체가 아닌 확률 출력의 품질을 평가하는 데 사용되는 지표입니다. 로그 손실은 모델이 높은 확률로 잘못된 예측을 하는 경우를 나타내는 중요한 지표입니다. 일반적 값은 0\$1무한대입니다. 값이 0이면 데이터를 완벽하게 예측하는 모델을 나타냅니다.
+ 정밀도 - \$1범주 x\$1가 예측된 모든 횟수 중에서 예측값은 \$1정밀도\$1%의 확률로 정확했습니다.
정밀도는 알고리즘이 식별한 모든 양성 중에서 진양성(TP)을 얼마나 잘 예측하는지를 측정합니다. `Precision = TP/(TP+FP)`로 정의되며 값은 0\$11 범위입니다. 정확도는 위양성의 비용이 높을 때 중요한 지표입니다. 예를 들어, 비행기 안전 시스템이 비행하기에 안전하다고 잘못 간주되는 경우 위음성으로 인한 비용은 매우 높습니다. 위양성(FP)은 데이터에서 실제로는 음성인데 양성으로 예측하는 것을 반영합니다.
+ 리콜 - \$1대상 열\$1이 실제로 \$1범주 x\$1일 때 모델은 \$1리콜\$1%를 \$1범주 x\$1로 정확하게 예측했습니다.
재현율은 알고리즘이 데이터세트의 모든 진양성(TP)을 얼마나 정확하게 예측하는지 측정합니다. 진양성은 양성 예측이며 데이터에서 실제 양수이기도 합니다. 리콜은 `Recall = TP/(TP+FN)`으로 정의되며 값은 0\$11 범위입니다. 점수가 높을수록 모델이 데이터의 진양성(TP)을 더 잘 예측할 수 있음을 나타냅니다. 참고로, 모든 출력값을 True positive로 예측하면 완벽한 리콜 점수를 얻을 수 있기 때문에 리콜만 측정하는 것으로는 충분하지 않습니다.
다음은 3개 이상의 범주 예측에 사용할 수 있는 지표 목록입니다.
+ 정확도 - 정확한 예측의 백분율입니다.
또는 올바르게 예측된 항목 대비 총 예측 수의 비율입니다. 정확도는 예측된 클래스 값이 실제 값에 얼마나 가까운지를 측정합니다. 정확도 지표의 값은 0에서 1 사이입니다. 값 1은 완벽한 정확도를 나타내고, 0은 완전한 부정확도를 나타냅니다.
+ BalancedAccuracy - 모든 예측 대비 정확한 예측의 비율을 측정합니다.
이 비율은 양성(P) 값과 음성(N) 값의 개수의 합계로 True positive(TP) 및 True negative(TN)를 정규화한 후 계산됩니다. `0.5*((TP/P)+(TN/N))`으로 정의되며 값은 0\$11 범위입니다. 균형 잡힌 정확도 지표는 이메일의 1%만 스팸인 경우와 같이 불균형한 데이터세트에서 양수 또는 음수의 개수가 서로 크게 다를 때 더 나은 정확도 측정치를 제공합니다.
+ F1macro - F1macro 점수는 정밀도와 리콜을 계산한 다음 조화 평균을 취해 각 클래스의 F1 점수를 계산하여 F1 점수를 적용합니다. 그런 다음 F1macro는 개별 점수의 평균을 구하여 F1macro 점수를 얻습니다. F1macro 점수는 0과 1 사이입니다. 1점은 가능한 최고의 성과를 나타내고, 0점은 최악을 나타냅니다.
+ InferenceLatency - 모델 예측을 요청한 후 모델이 배포되는 실시간 엔드포인트에서 수신하기까지 걸리는 대략적인 시간입니다. 이 지표는 초 단위로 측정되며 **앙상블링** 모드로 빌드된 모델에서만 사용할 수 있습니다.
+ LogLoss - 교차 엔트로피 손실이라고도 하는 로그 손실은 출력 자체가 아닌 확률 출력의 품질을 평가하는 데 사용되는 지표입니다. 로그 손실은 모델이 높은 확률로 잘못된 예측을 하는 경우를 나타내는 중요한 지표입니다. 일반적 값은 0\$1무한대입니다. 값이 0이면 데이터를 완벽하게 예측하는 모델을 나타냅니다.
+ PrecisionMacro - 각 클래스의 정밀도를 계산하고 점수의 평균을 구해 여러 클래스의 정밀도를 얻어 정밀도를 측정합니다. 점수 범위는 0\$11입니다. 점수가 높을수록 모델이 식별한 모든 양성 중에서 True positive(TP)를 예측하는 능력을 나타내며, 여러 클래스에 걸쳐 평균을 냅니다.
+ RecallMacro - 각 클래스에 대한 리콜을 계산하고 점수의 평균을 구해 여러 클래스의 리콜을 얻어 리콜을 측정합니다. 점수 범위는 0\$11입니다. 점수가 높을수록 데이터세트의 True positive(TP)를 예측하는 모델의 능력을 나타내며, True positive는 데이터가 실제 양성이기도 한 양성 예측을 반영합니다. 모든 출력값을 진양성으로 예측하면 완벽한 재현율 점수를 얻을 수 있기 때문에 재현율만 측정하는 것으로는 충분하지 않습니다.
3개 이상의 범주 예측의 경우 평균 F1, 정확도, 정밀도 및 리콜 지표도 받습니다. 이러한 지표의 점수는 모든 범주의 평균 지표 점수일 뿐입니다.
## 이미지 및 텍스트 예측용 지표
다음은 이미지 예측 및 텍스트 예측에 사용할 수 있는 지표 목록입니다.
+ 정확도 - 정확한 예측의 백분율입니다.
또는 올바르게 예측된 항목 대비 총 예측 수의 비율입니다. 정확도는 예측된 클래스 값이 실제 값에 얼마나 가까운지를 측정합니다. 정확도 지표의 값은 0에서 1 사이입니다. 값 1은 완벽한 정확도를 나타내고, 0은 완전한 부정확도를 나타냅니다.
+ F1 - 클래스 균형을 고려한 균형 잡힌 정확도 척도입니다.
이는 정의된 정밀도 및 리콜 점수의 조화 평균이며 `F1 = 2 * (precision * recall) / (precision + recall)`로 정의됩니다. F1 점수는 0과 1 사이입니다. 1점은 가능한 최고의 성과를 나타내고, 0점은 최악을 나타냅니다.
+ 정밀도 - \$1범주 x\$1가 예측된 모든 횟수 중에서 예측값은 \$1정밀도\$1%의 확률로 정확했습니다.
정밀도는 알고리즘이 식별한 모든 양성 중에서 진양성(TP)을 얼마나 잘 예측하는지를 측정합니다. `Precision = TP/(TP+FP)`로 정의되며 값은 0\$11 범위입니다. 정확도는 위양성의 비용이 높을 때 중요한 지표입니다. 예를 들어, 비행기 안전 시스템이 비행하기에 안전하다고 잘못 간주되는 경우 위음성으로 인한 비용은 매우 높습니다. 위양성(FP)은 데이터에서 실제로는 음성인데 양성으로 예측하는 것을 반영합니다.
+ 리콜 - \$1대상 열\$1이 실제로 \$1범주 x\$1일 때 모델은 \$1리콜\$1%를 \$1범주 x\$1로 정확하게 예측했습니다.
재현율은 알고리즘이 데이터세트의 모든 진양성(TP)을 얼마나 정확하게 예측하는지 측정합니다. 진양성은 양성 예측이며 데이터에서 실제 양수이기도 합니다. 리콜은 `Recall = TP/(TP+FN)`으로 정의되며 값은 0\$11 범위입니다. 점수가 높을수록 모델이 데이터의 진양성(TP)을 더 잘 예측할 수 있음을 나타냅니다. 참고로, 모든 출력값을 True positive로 예측하면 완벽한 리콜 점수를 얻을 수 있기 때문에 리콜만 측정하는 것으로는 충분하지 않습니다.
3개 이상의 범주를 예측하는 이미지 및 텍스트 예측 모델의 경우 *평균* F1, 정확도, 정밀도 및 리콜 지표도 받게 됩니다. 이러한 지표의 점수는 모든 범주의 평균 지표 점수일 뿐입니다.
## 시계열 예측용 지표
다음은 Amazon SageMaker Canvas의 시계열 예측에 대한 고급 지표를 정의하고 이를 사용하는 방법에 대한 정보를 제공합니다.
+ 평균 가중 분위수 손실(WQL) - P10, P50 및 P90 분위수의 정확도를 평균하여 예측을 평가합니다. 값이 낮을수록 모델이 더 정확하다는 의미입니다.
+ 가중 절대 백분율 오차(WAPE) – 절대 목표의 합으로 정규화된 절대 오차의 합계로, 예측값과 관측값의 전체 편차를 나타냅니다. 값이 낮을수록 모델이 더 정확하다는 의미이며, 여기서 WAPE = 0은 오차가 없는 모델입니다.
+ 평균 제곱근 오차(RMSE) - 평균 제곱 오차의 제곱근입니다. RMSE 값이 낮을수록 모델이 더 정확하다는 의미이며, 여기서 RMSE = 0은 오차가 없는 모델입니다.
+ 평균 절대 백분율 오차(MAPE) – 모든 시점에 걸쳐 평균화된 백분율 오차(평균 예측값과 실제 값의 백분율 차이)입니다. 값이 낮을수록 모델이 더 정확하다는 의미이며, 여기서 MAPE = 0은 오차가 없는 모델입니다.
+ 평균 절대 조정 오차(MASE) – 단순 기준 예측 방법의 평균 절대 오차로 정규화된 예측의 평균 절대 오차입니다. 값이 낮을수록 모델의 정확도가 더 높으며, MASE < 1이면 기준보다 나은 것으로 추정되고 MASE > 1이면 기준보다 나쁜 것으로 추정됩니다.
# 사용자 지정 모델을 사용한 예측
SageMaker Canvas에서 구축한 사용자 지정 모델을 사용하여 데이터를 예측할 수 있습니다. 다음 섹션에서는 숫자 및 범주형 예측 모델, 시계열 예측, 이미지 예측 모델 및 텍스트 예측 모델에 대한 예측 방법을 보여줍니다.
숫자 및 범주형 예측, 이미지 예측, 텍스트 예측 사용자 지정 모델은 데이터에 대해 다음과 같은 유형의 예측을 지원합니다.
+ **단일 예측** - **단일 예측**은 하나의 예측만 수행하면 되는 경우입니다. 예를 들어 분류하려는 이미지나 텍스트 구절이 하나 있다고 가정해 보겠습니다.
+ **배치 예측** - **배치 예측**은 전체 데이터 집합에 대해 예측을 수행하려는 경우입니다. 1TB 이상의 데이터세트에 대해 배치 예측을 수행할 수 있습니다. 예를 들어 고객 감정을 예측하려는 고객 리뷰가 담긴 CSV 파일이 있거나 분류하려는 이미지 파일이 들어 있는 폴더가 있습니다. 입력 데이터세트와 일치하는 데이터세트로 예측해야 합니다. Canvas는 수동 배치 예측 기능을 제공하며, 사용자가 데이터세트를 업데이트할 때마다 실행되는 자동 배치 예측을 구성할 수 있습니다.
각 예측 또는 예측 세트에 대해 SageMaker Canvas는 다음을 반환합니다.
+ 예측된 값
+ 예측값이 정확할 확률
**시작**
다음 워크플로 중 하나를 선택하여 사용자 지정 모델로 예측하세요.
+ [SageMaker Canvas의 배치 예측](canvas-make-predictions-batch.md)
+ [단일 예측 수행](canvas-make-predictions-single.md)
모델을 사용하여 예측을 생성한 후 다음을 수행할 수도 있습니다.
+ [버전을 추가하여 모델을 업데이트합니다.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html) 모델의 예측 정확도를 향상시키려면 새 버전의 모델을 구축할 수 있습니다. 원래 모델 빌드 구성 및 데이터세트를 복제하거나 구성을 변경하고 다른 데이터세트를 선택할 수 있습니다. 새 버전을 추가한 후 버전을 검토하고 비교하여 가장 적합한 버전을 선택할 수 있습니다.
+ [SageMaker AI 모델 레지스트리에 모델 버전 등록](canvas-register-model.md).모델 버전 및 기계 학습 파이프라인의 상태를 추적하고 관리하는 기능인 SageMaker 모델 레지스트리에 모델 버전을 등록할 수 있습니다. SageMaker 모델 레지스트리에 액세스할 수 있는 데이터 과학자 또는 MLOps 팀 사용자는 모델 버전을 검토하고 모델 버전을 승인하거나 거부한 후 프로덕션에 배포할 수 있습니다.
+ [배치 예측을 Quick로 전송합니다.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-predictions.html) Quick에서 배치 예측 데이터 세트를 사용하여 대시보드를 빌드하고 게시할 수 있습니다. 이를 통해 사용자 지정 모델에서 생성된 결과를 분석하고 공유할 수 있습니다.
# 단일 예측 수행
**참고**
이 섹션에서는 Canvas 애플리케이션 내의 모델에서 단일 예측을 얻는 방법에 대해 설명합니다. 엔드포인트에 모델을 배포하여 프로덕션 환경에서 실시간 호출을 수행하는 방법에 대한 자세한 내용은 [엔드포인트에 모델 배포](canvas-deploy-model.md)을 참조하세요.
단일 데이터 포인트에 대한 예측을 얻으려면 단일 예측을 수행합니다. 이 기능을 사용하여 실시간 예측을 얻거나 개별 값을 변경하여 예측 결과에 어떤 영향을 미치는지 실험할 수 있습니다. 단일 예측은 비동기 추론 엔드포인트에 의존하며, 이 엔드포인트는 유휴 상태(또는 예측 요청을 수신하지 않음)가 2시간 동안 지속되면 종료됩니다.
모델 유형에 따라 다음 절차 중 하나를 선택합니다.
## 숫자 및 범주형 예측 모델을 사용하여 단일 예측 수행
숫 또는 범주형 예측 모델에 대해 단일 예측을 수행하려면 다음을 수행하세요.
1. Canvas 애플리케이션의 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다.
1. 모델을 연 후 **예측** 탭을 선택합니다.
1. **예측 실행** 페이지에서 **단일 예측**을 선택합니다.
1. 입력 데이터의 열을 나타내는 각 **열** 필드에 대해 **값**을 변경할 수 있습니다. 변경하려는 **값의** 드롭다운 메뉴를 선택합니다. 숫자 필드의 경우 새 숫자를 입력할 수 있습니다. 레이블이 있는 필드의 경우 다른 레이블을 선택할 수 있습니다.
1. 예측을 생성할 준비가 되면 오른쪽 **예측** 패널에서 **업데이트**를 선택합니다.
오른쪽 **예측** 패널에는 예측 결과가 표시됩니다. 예측 결과 차트를 **복사**하거나 **다운로드**를 선택하여 예측 결과 차트를 이미지로 다운로드하거나 값과 예측을 CSV 파일로 다운로드할 수 있습니다.
## 시계열 예측 모델을 사용하여 단일 예측 수행
시계열 예측 모델에 대해 단일 예측을 수행하려면 다음을 수행합니다.
1. Canvas 애플리케이션의 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다.
1. 모델을 연 후 **예측** 탭을 선택합니다.
1. **단일 예측**을 선택합니다.
1. **항목**에서 값을 예측할 항목을 선택합니다.
1. 열을 기준으로 그룹을 사용하여 모델을 훈련한 경우 항목의 범주별로 그룹을 선택합니다.
예측 결과는 아래 창에 로드되어 각 분위수에 대한 예측이 포함된 차트를 보여줍니다. **스키마 보기**를 선택하여 숫자 예측 값을 확인합니다. **다운로드**를 선택하여 예측 결과를 이미지 또는 CSV 파일로 다운로드할 수도 있습니다.
## 이미지 예측 모델을 사용하여 단일 예측 수행
단일 레이블 이미지 예측 모델에 대해 단일 예측을 수행하려면 다음을 수행하세요.
1. Canvas 애플리케이션의 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다.
1. 모델을 연 후 **예측** 탭을 선택합니다.
1. **예측 실행** 페이지에서 **단일 예측**을 선택합니다.
1. **이미지 가져오기**를 선택합니다.
1. 이미지를 업로드하라는 메시지가 표시됩니다. 로컬 컴퓨터나 Amazon S3 버킷에서 이미지를 업로드할 수 있습니다.
1. **가져오기**를 선택하여 이미지를 가져오고 예측을 생성합니다.
오른쪽 **예측 결과** 창에서 모델은 이미지에 사용할 수 있는 레이블을 각 레이블의 **확신** 점수와 함께 나열합니다. 예를 들어 모델은 96%의 확신 점수로 이미지의 **바다**라는 레이블을 예측할 수 있습니다. 모델은 4%에 불과한 확신 점수로 해당 이미지를 **빙하**로 예측했을 수 있습니다. 따라서 모델이 바다 이미지를 예측하는 데 상당히 자신감이 있다고 판단할 수 있습니다.
## 텍스트 예측 모델을 사용하여 단일 예측 수행
다중 카테고리 텍스트 예측 모델에 대해 단일 예측을 수행하려면 다음을 수행하세요.
1. Canvas 애플리케이션의 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다.
1. 모델을 연 후 **예측** 탭을 선택합니다.
1. **예측 실행** 페이지에서 **단일 예측**을 선택합니다.
1. **텍스트 필드**에 예측을 얻으려는 텍스트를 입력합니다.
1. 예측을 얻으려면 **예측 결과 생성**을 선택합니다.
오른쪽 **예측 결과** 창에는 가능한 각 레이블에 대한 **확신** 점수와 함께 텍스트에 대한 분석이 표시됩니다. 예를 들어 상품에 대한 좋은 리뷰를 입력한 경우 확신 점수 85%로 **긍정적인** 결과를 얻을 수 있으나 **보통**의 경우 확신 점수는 10%, **부정적**의 경우 확신 점수는 5%에 불과할 수 있습니다.
# SageMaker Canvas의 배치 예측
예측을 생성하려는 전체 데이터세트가 있는 경우 배치 예측을 수행합니다. Amazon SageMaker Canvas는 최대 PB 단위에 대한 배치 예측을 지원합니다.
다음과 같이 2가지 유형의 배치 예측을 수행할 수 있습니다.
+ [수동](canvas-make-predictions-batch-manual.md) 배치 예측은 일회성 예측을 수행하려는 데이터세트가 있는 경우입니다.
+ [자동](canvas-make-predictions-batch-auto.md) 배치 예측은 특정 데이터세트가 업데이트될 때마다 실행하는 구성을 설정하는 것입니다. 예를 들어 인벤토리 데이터의 SageMaker Canvas 데이터세트에 주간 업데이트를 구성한 경우 데이터세트를 업데이트할 때마다 실행되는 자동 배치 예측을 설정할 수 있습니다. 자동화된 배치 예측 워크플로를 설정한 후 구성 세부 정보 보기 및 편집에 대한 자세한 내용은 [자동화를 관리하는 방법](canvas-manage-automations.md)을 참조하세요. 자동 데이터세트 업데이트 설정에 대한 자세한 내용은 [데이터세트 자동 업데이트 구성](canvas-update-dataset-auto.md)을 참조하세요.
**참고**
시계열 예측 모델은 자동 배치 예측을 지원하지 않습니다.
로컬 업로드 또는 Amazon S3를 통해 가져온 데이터세트에 대해서만 자동 배치 예측을 설정할 수 있습니다. 또한 자동 배치 예측은 Canvas 애플리케이션에 로그인한 상태에서만 실행할 수 있습니다. Canvas에서 로그아웃하면 다시 로그인할 때 자동 배치 예측 작업이 다시 시작됩니다.
시작하려면 [배치 예측 데이터세트 요구 사항](canvas-make-predictions-batch-preqreqs.md) 섹션을 검토한 후 다음 수동 또는 자동 배치 예측 워크플로 중 하나를 선택하세요.
**Topics**
+ [
# 배치 예측 데이터세트 요구 사항
](canvas-make-predictions-batch-preqreqs.md)
+ [
# 수동으로 배치 예측 수행
](canvas-make-predictions-batch-manual.md)
+ [
# 자동 배치 예측 수행
](canvas-make-predictions-batch-auto.md)
+ [
# 자동 배치 예측 구성 편집
](canvas-make-predictions-batch-auto-edit.md)
+ [
# 자동 배치 예측 구성 삭제
](canvas-make-predictions-batch-auto-delete.md)
+ [
# 배치 예측 작업 보기
](canvas-make-predictions-batch-auto-view.md)
# 배치 예측 데이터세트 요구 사항
배치 예측의 경우 데이터세트가 [데이터세트 생성](canvas-import-dataset.md)에 설명된 요구 사항을 충족하는지 확인하세요. 데이터세트가 5GB보다 큰 경우 Canvas는 Amazon EMR Serverless를 사용하여 데이터를 처리하고 더 작은 배치로 분할합니다. 데이터가 분할되면 Canvas는 SageMaker AI 배치 변환을 사용하여 예측합니다. 배치 예측을 실행한 후 두 서비스 모두에서 요금이 표시될 수 있습니다. 자세한 내용은 [Canvas 요금](https://aws.amazon.com/sagemaker/canvas/pricing/)을 참조하세요.
일부 데이터세트에는 호환되지 않는 *스키마*가 있는 경우 예측이 불가능할 수도 있습니다. *스키마*는 하나의 조직 구조입니다. 테이블 형식 데이터세트의 경우 스키마는 열의 이름과 열에 있는 데이터의 데이터 유형입니다. 다음 중 한 가지 이유로 스키마가 호환되지 않을 수 있습니다.
+ 예측을 수행하는 데 사용하는 데이터세트에는 모델을 작성하는 데 사용하는 데이터세트보다 열 수가 적습니다.
+ 데이터세트를 만드는 데 사용한 열의 데이터 유형은 예측에 사용하는 데이터세트의 데이터 유형과 다를 수 있습니다.
+ 예측에 사용하는 데이터세트와 모델을 만드는 데 사용한 데이터세트의 열 이름이 일치하지 않습니다. 열 이름은 대/소문자를 구분합니다.`Column1`은 `column1`와 같지 않습니다.
배치 예측을 성공적으로 생성하려면 배치 예측 데이터세트의 스키마를 모델 훈련에 사용한 데이터세트와 일치시키세요.
**참고**
배치 예측의 경우 모델을 구축할 때 열을 삭제한 경우 Canvas는 삭제된 열을 예측 결과에 다시 추가합니다. 하지만 Canvas는 시계열 모델의 배치 예측에 삭제된 열을 추가하지 않습니다.
# 수동으로 배치 예측 수행
모델 유형에 따라 수동 배치 예측을 수행하려면 다음 절차 중 하나를 선택합니다.
## 숫자, 범주형 및 시계열 예측 모델을 사용하여 수동 배치 예측 수행
숫자, 범주형 및 시계열 예측 모델 유형으로 수동 배치 예측을 하려면 다음을 수행합니다.
1. Canvas 애플리케이션의 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다.
1. 모델을 연 후 **예측** 탭을 선택합니다.
1. **예측 실행** 페이지에서 **배치 예측**을 선택합니다.
1. **데이터세트 선택**을 선택하여 예측을 생성할 데이터세트를 선택합니다.
1. 사용 가능한 데이터세트 목록에서 데이터세트를 선택하고 **예측 시작**을 선택하여 예측을 가져옵니다.
예측 작업 실행이 완료되면 **예측** 섹션의 동일한 페이지에 출력 데이터세트가 나열됩니다. 이 데이터 세트에는 결과가 포함되며 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택한 경우 **미리보기**를 선택하여 출력 데이터를 미리 볼 수 있습니다. 예측과 일치하는 입력 데이터와 예측이 정확할 확률을 확인할 수 있습니다. 그런 다음 **예측 다운로드**를 선택하여 결과를 파일로 다운로드할 수 있습니다.
## 이미지 예측 모델을 사용하여 수동 배치 예측 수행
단일 레이블 이미지 예측 모델에 대한 수동 배치 예측을 수행하려면 다음을 수행세요.
1. Canvas 애플리케이션의 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다.
1. 모델을 연 후 **예측** 탭을 선택합니다.
1. **예측 실행** 페이지에서 **배치 예측**을 선택합니다.
1. 데이터 세트를 이미 가져온 경우 **데이터 세트** 선택을 선택합니다. 그렇지 않은 경우 **새 데이터 세트 가져오기**를 선택하면 데이터 가져오기 워크플로를 안내받게 됩니다.
1. 사용 가능한 데이터 세트 목록에서 데이터 세트를 선택하고 **예측 생성**을 선택하여 예측을 가져옵니다.
예측 작업 실행이 끝나면 **예측 실행** 페이지에서 **예측** 아래에 출력 데이터 세트가 나열되는 것을 볼 수 있습니다. 이 데이터세트에는 결과가 포함되며 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택한 경우 **예측 결과 보기를** 선택하여 출력 데이터를 볼 수 있습니다. 예측된 레이블 및 확신 점수와 함께 이미지를 볼 수 있습니다. 그런 다음 **예측 다운로드**를 선택하여 결과를 CSV 또는 ZIP 파일로 다운로드할 수 있습니다.
## 텍스트 예측 모델을 사용하여 수동 배치 예측 수행
다중 카테고리 텍스트 예측 모델에 대한 수동 배치 예측을 수행하려면 다음을 수행하세요.
1. Canvas 애플리케이션의 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다.
1. 모델을 연 후 **예측** 탭을 선택합니다.
1. **예측 실행** 페이지에서 **배치 예측**을 선택합니다.
1. 데이터 세트를 이미 가져온 경우 **데이터 세트** 선택을 선택합니다. 그렇지 않은 경우 **새 데이터 세트 가져오기**를 선택하면 데이터 가져오기 워크플로를 안내받게 됩니다. 선택한 데이터세트에는 모델을 만드는 데 사용한 데이터세트와 동일한 소스 열이 있어야 합니다.
1. 사용 가능한 데이터 세트 목록에서 데이터 세트를 선택하고 **예측 생성**을 선택하여 예측을 가져옵니다.
예측 작업 실행이 끝나면 **예측 실행** 페이지에서 **예측** 아래에 출력 데이터 세트가 나열되는 것을 볼 수 있습니다. 이 데이터세트에는 결과가 포함되며 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택한 경우 **미리보기**를 선택하여 출력 데이터를 볼 수 있습니다. 예측된 레이블 및 확신 점수와 함께 이미지를 볼 수 있습니다. 그런 다음 **예측 다운로드**를 선택하여 결과를 다운로드할 수 있습니다.
# 자동 배치 예측 수행
**참고**
시계열 예측 모델은 자동 배치 예측을 지원하지 않습니다.
자동 배치 예측에 대한 일정을 설정하려면 다음을 수행합니다.
1. Canvas의 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. 모델을 선택합니다.
1. **예측** 탭을 선택합니다.
1. **배치 예측**을 선택합니다.
1. **예측 생성**에서 **자동**을 선택합니다.
1. **배치 예측 자동화** 대화 상자가 나타납니다. **데이터세트 선택**을 선택하고 예측을 자동화하려는 데이터세트를 선택합니다. 단, 로컬 업로드 또는 Amazon S3를 통해 가져온 데이터세트만 선택할 수 있습니다.
1. 데이터세트를 선택한 후 **설정**을 선택합니다.
Canvas는 구성을 설정한 후 데이터세트에 대한 배치 예측 작업을 실행합니다. 그러면 수동 또는 자동으로 [데이터세트 업데이트](canvas-update-dataset.md)할 때마다 다른 배치 예측 작업이 실행됩니다.
예측 작업 실행이 끝나면 **예측 실행** 페이지에서 **예측** 아래에 출력 데이터 세트가 나열되는 것을 볼 수 있습니다. 이 데이터 세트에는 결과가 포함되며 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택한 경우 **미리보기**를 선택하여 출력 데이터를 미리 볼 수 있습니다. 예측과 일치하는 입력 데이터와 예측이 정확할 확률을 확인할 수 있습니다. 그런 다음 **다운로드**를 선택하여 결과를 다운로드할 수 있습니다.
다음 섹션에서는 Canvas 애플리케이션의 **데이터세트** 페이지를 통해 자동 배치 예측 구성을 보고, 업데이트하고, 삭제하는 방법을 설명합니다. Canvas에서는 최대 20개의 자동 구성만 설정할 수 있습니다. 자동 배치 예측 작업 기록을 보거나 **자동화** 페이지를 통해 자동 구성을 변경하는 방법에 대한 자세한 내용은 [자동화를 관리하는 방법](canvas-manage-automations.md)을 참조하세요.
# 자동 배치 예측 구성 편집
업데이트 빈도 변경과 같이 데이터 세트의 자동 업데이트 구성을 변경하고자 할 수 있습니다. 자동 업데이트 구성을 꺼서 데이터 세트에 대한 업데이트를 일시 중지할 수도 있습니다.
배치 예측 구성을 수정할 때 대상 데이터 세트는 변경할 수 있지만 빈도는 변경할 수 없습니다.데이터 세트가 업데이트될 때마다 자동 배치 예측이 발생하기 때문입니다.
자동 업데이트 구성을 편집하려면 다음을 수행하세요.
1. 모델의 **예측** 탭으로 이동합니다.
1. **예측**에서 **구성** 탭을 선택합니다.
1. 구성을 찾아 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택합니다.
1. 드롭다운 메뉴에서 **구성 업데이트**를 선택합니다.
1. **배치 예측 자동화** 대화 상자가 열립니다. 다른 데이터 세트를 선택하고 **설정**을 선택하여 변경 내용을 저장할 수 있습니다.
이제 자동 배치 예측 구성이 업데이트되었습니다.
자동 배치 예측을 일시 중지하려면 다음과 같이 자동 구성을 끄세요.
1. 모델의 **예측** 탭으로 이동합니다.
1. **예측**에서 **구성** 탭을 선택합니다.
1. 목록에서 구성을 찾아 **자동 업데이트** 토글을 끕니다.
이제 자동 배치 예측이 일시 중지되었습니다. 언제든지 토글을 다시 켜서 업데이트 일정을 재개할 수 있습니다.
# 자동 배치 예측 구성 삭제
자동 배치 예측 구성을 삭제하는 방법은 [자동 구성 삭제](canvas-manage-automations-delete.md)을 참조하세요.
다음을 수행하여 구성을 삭제할 수도 있습니다.
1. 모델의 **예측** 탭으로 이동합니다.
1. **예측**에서 **구성** 탭을 선택합니다.
1. 목록에서 구성을 찾아 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택합니다.
1. 드롭다운 메뉴에서 **구성 삭제**를 선택합니다.
이제 구성을 삭제해야 합니다.
# 배치 예측 작업 보기
배치 예측 작업의 상태와 기록을 보려면 모델의 **예측** 탭으로 이동하세요.
각 배치 예측 작업은 모델의 **예측** 탭에 표시됩니다. **예측**에서 **모든 작업** 탭과 **구성** 탭을 볼 수 있습니다.
+ **모든 작업** - 이 탭에서는 이 모델에 대한 모든 수동 및 자동 배치 예측 작업을 볼 수 있습니다. 구성 이름을 기준으로 작업을 필터링할 수 있습니다. 각 작업에 대해 다음 필드를 볼 수 있습니다.
+ **상태** - 배치 예측 작업의 현재 상태입니다. 상태가 **실패** 또는 **부분 실패**인 경우 상태 위에 마우스를 올려 놓으면 문제 해결에 도움이 되는 자세한 오류 메시지를 볼 수 있습니다.
+ **입력 데이터세트** - Canvas 입력 데이터세트의 이름과 데이터세트 버전입니다.
+ **예측 유형** - 예측 작업이 자동인지 수동인지를 나타냅니다.
+ **행** - 예측된 행 수입니다.
+ **구성 이름** - 배치 예측 작업 구성의 이름입니다.
+ **QuickSight** - 배치 예측을 Quick로 전송했는지 여부를 설명합니다.
+ **만들어짐** - 배치 예측 작업을 만든 시간입니다.
**추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택하면 **세부 정보 보기**, **예측 미리 보기**, **예측 다운로드** 또는 **빠른 전송을** 선택할 수 있습니다. **세부 정보 보기**를 선택하면 상태, 입력 및 출력 데이터 구성, 작업을 완료하는 데 사용된 인스턴스에 대한 정보 및 Amazon CloudWatch logs에 대한 액세스 등 배치 예측 작업의 전체 세부 정보를 보여주는 페이지가 열립니다. 이 페이지는 다음 스크린샷과 같습니다.
![\[작업에 대한 모든 추가 세부 정보를 보여주는 배치 예측 작업 세부 정보 페이지\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-view-batch-prediction-job-details.png)
+ **구성** - 이 탭에서는 이 모델에 대해 생성한 모든 자동 배치 예측 구성을 볼 수 있습니다. 각 구성에서 **만들어진** 시점의 타임스탬프, 업데이트를 위해 추적하는 **입력 데이터세트**, 일정에 따라 다음 자동 예측 작업이 시작될 시점인 **예정된 다음 작업** 등의 필드를 확인할 수 있습니다. **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택한 경우 **모든 작업 보기**를 선택하여 해당 구성의 작업 기록 및 진행 중인 작업을 볼 수 있습니다.
# 예측을 빠른 로 전송
**참고**
숫자 및 범주형 예측 및 시계열 예측 모델을 위해 배치 예측을 Quick에 보낼 수 있습니다. 단일 레이블 이미지 예측 및 다중 카테고리 텍스트 예측 모델은 제외됩니다.
SageMaker Canvas에서 사용자 지정 테이블 형식 모델을 사용하여 배치 예측을 생성하면 예측 대시보드를 구축하고 게시하는 비즈니스 인텔리전스(BI) 서비스인 Quick에 이러한 예측을 CSV 파일로 전송할 수 있습니다.
예를 들어 고객이 이탈할지 여부를 결정하기 위해 2가지 범주 예측 모델을 구축한 경우 Quick에서 시각적 예측 대시보드를 생성하여 이탈할 것으로 예상되는 고객의 비율을 표시할 수 있습니다. Quick에 대한 자세한 내용은 [Quick 사용 설명서를](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html) 참조하세요.
다음 섹션에서는 분석을 위해 배치 예측을 Quick로 보내는 방법을 보여줍니다.
## 시작하기 전 준비 사항
사용자에게 예측을 Quick으로 전송하는 데 필요한 AWS Identity and Access Management (IAM) 권한이 있어야 합니다. 관리자는 사용자에 대한 IAM 권한을 설정할 수 있습니다. 자세한 내용은 [사용자에게 예측을 빠르게 전송할 수 있는 권한 부여](canvas-quicksight-permissions.md) 단원을 참조하십시오.
Quick 계정에는 Quick 계정을 처음 생성할 때 설정된 `default` 네임스페이스가 포함되어야 합니다. Quick에 액세스하는 데 도움이 필요하면 관리자에게 문의하세요. 자세한 내용은 [빠른 사용 설명서](https://docs.aws.amazon.com/quicksight/latest/user/setting-up.html)*의 빠른* 설정을 참조하세요.
빠른 계정은 Canvas 애플리케이션과 동일한 리전에서 생성해야 합니다. Quick 계정의 홈 리전이 Canvas 애플리케이션의 리전과 다른 경우 Quick 계정을 [닫](https://docs.aws.amazon.com/quicksight/latest/user/closing-account.html)았다가 다시 생성하거나 [Quick 계정과 동일한 리전에 Canvas 애플리케이션을 설정해야](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) 합니다. 다음을 수행하여 빠른 홈 리전을 확인할 수 있습니다(빠른 계정이 이미 있다고 가정).
1. [Quick 콘솔](https://quicksight.aws.amazon.com/)을 엽니다.
1. 페이지가 로드되면 빠른 홈 리전이 URL에 형식으로 추가됩니다`https://.quicksight.aws.amazon.com/`.
예측을 보내려는 빠른 사용자의 사용자 이름을 알아야 합니다. 자신이나 적절한 권한이 있는 다른 사용자에게 예측을 보낼 수 있습니다. 예측을 보내는 모든 사용자는 Quick 계정의 `default` [네임스페이스](https://docs.aws.amazon.com/quicksight/latest/user/namespaces.html)에 있어야 하며 Quick에 `Author` 또는 `Admin` 역할이 있어야 합니다.
또한 Quick은 도메인의 SageMaker AI 기본 Amazon S3 버킷에 액세스할 수 있어야 합니다.이 버킷의 이름은 형식으로 지정됩니다`sagemaker-{REGION}-{ACCOUNT_ID}`. 리전은 Quick 계정의 홈 리전 및 Canvas 애플리케이션의 리전과 동일해야 합니다. Amazon S3 버킷에 저장된 배치 예측에 대한 빠른 액세스 권한을 부여하는 방법을 알아보려면 *빠른 사용 설명서*의 [ Amazon S3에 연결할 수 없는](https://docs.aws.amazon.com/quicksight/latest/user/troubleshoot-connect-S3.html) 주제를 참조하세요.
## 지원되는 데이터 형식
예측을 보내기 전에 배치 예측의 데이터 형식이 Quick과 호환되는지 확인합니다.
+ 시간 데이터에 허용되는 데이터 형식에 대한 자세한 내용은 *빠른 사용 설명서*의 [지원되는 날짜 형식을](https://docs.aws.amazon.com/quicksight/latest/user/supported-date-formats.html) 참조하세요.
+ 빠른 전송을 방해할 수 있는 데이터 값에 대한 자세한 내용은 *빠른 사용 설명서*의 [데이터에서 지원되지 않는 값을](https://docs.aws.amazon.com/quicksight/latest/user/unsupported-data-values.html) 참조하세요.
또한 Quick은 문자를 `"` 텍스트 한정자로 사용하므로 Canvas 데이터에 `"` 문자가 포함된 경우 일치하는 모든 따옴표를 닫아야 합니다. 따옴표가 일치하지 않으면 데이터 세트를 Quick로 보내는 데 문제가 발생할 수 있습니다.
## 배치 예측을 Quick으로 전송
다음 절차에 따라 예측을 Quick로 전송합니다.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다.
1. **예측** 탭을 선택합니다.
1. **예측**에서 공유하려는 배치 예측 데이터세트(또는 데이터세트)를 선택합니다. 한 번에 최대 5개의 배치 예측 데이터세트를 공유할 수 있습니다.
1. 데이터 세트를 선택한 후 **빠른 전송을** 선택합니다.
**참고**
데이터 세트를 하나 이상 선택하지 않으면 **빠른 전송** 버튼이 활성화되지 않습니다.
또는 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택한 다음 **예측 결과 보기**를 선택하여 예측을 미리 볼 수 있습니다. 데이터 세트 미리 보기에서 **빠른 전송을** 선택할 수 있습니다. 다음 스크린샷은 데이터 세트 미리 보기의 **빠른 전송** 버튼을 보여줍니다.
![\[하단에 빠른 전송 버튼이 있는 데이터 세트 미리 보기의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/send-to-quicksight-preview.png)
1. **빠른 전송** 대화 상자에서 다음을 수행합니다.
1. **QuickSight 사용자의** 경우 예측을 전송할 Quick 사용자의 이름을 입력합니다. 자신에게 전송하려면 자신의 사용자 이름을 입력하세요. Quick 계정의 `default` 네임스페이스에 있는 사용자에게만 예측을 보낼 수 있으며, 사용자는 Quick에 `Author` 또는 `Admin` 역할이 있어야 합니다.
1. **전송**를 선택합니다.
다음 스크린샷은 **빠른 전송** 대화 상자를 보여줍니다.
![\[빠른 전송 대화 상자.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/send-to-quicksight.png)
배치 예측을 전송하면 전송한 데이터세트의 **QuickSight** 필드가 `Sent`로 표시됩니다. 예측이 전송되었음을 확인하는 확인 상자에서 **빠른 열기**를 선택하여 빠른 애플리케이션을 열 수 있습니다. Canvas를 사용한 후에는 Canvas 애플리케이션에서 [로그아웃](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-log-out.html)해야 합니다.
데이터 세트를 보낸 빠른 사용자는 빠른 애플리케이션을 열고 공유된 Canvas 데이터 세트를 볼 수 있습니다. 그런 다음 데이터를 사용하여 예측 대시보드를 만들 수 있습니다. 자세한 내용은 [빠른 사용 설명서의 빠른 데이터 분석 시작하기](https://docs.aws.amazon.com/quicksight/latest/user/getting-started.html)를 참조하세요. **
기본적으로 예측을 보내는 모든 사용자는 Quick의 데이터 세트에 대한 소유자 권한을 가집니다. 소유자는 데이터세트를 분석하고, 새로 고치고, 편집하고, 삭제하고, 다시 공유할 수 있습니다. 소유자가 데이터세트를 변경하면 액세스 권한이 있는 모든 사용자의 데이터세트가 변경됩니다. 권한을 변경하려면 Quick의 데이터 세트로 이동하여 해당 권한을 관리합니다. 자세한 내용은 *빠른 사용 설명서*[의 데이터 세트가 공유되는 권한 사용자 보기 및 편집](https://docs.aws.amazon.com/quicksight/latest/user/sharing-data-sets.html#view-users-data-set)을 참조하세요.
# 모델 노트북 다운로드
**참고**
모델 노트북 기능은 빠른 빌드 및 표준 빌드 테이블 형식 모델과 미세 조정된 파운데이션 모델에 사용할 수 있습니다. 모델 노트북은 이미지 예측, 텍스트 예측 또는 시계열 예측 모델에는 지원되지 않습니다.
이 기능이 시작되기 전에 빌드된 테이블 형식 모델의 모델 노트북을 생성하려면 모델을 다시 빌드하여 노트북을 생성해야 합니다.
Amazon SageMaker Canvas에서 성공적으로 빌드한 적격 모델의 경우 모든 모델 빌드 단계에 대한 보고서가 포함된 Jupyter Notebook이 생성됩니다. 이 Jupyter Notebook에는 로컬에서 실행하거나 Amazon SageMaker Studio Classic과 같은 환경에서 실행하여 모델 빌드에 필요한 단계를 복제할 수 있는 Python 코드가 포함되어 있습니다. 코드를 실험하거나 Canvas가 모델을 빌드하는 방법에 대한 백엔드 세부 정보를 보려면 노트북이 유용할 수 있습니다.
모델 노트북에 액세스하려면 다음을 수행하세요.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. 빌드한 모델과 버전을 선택합니다.
1. 모델 버전 페이지에서 헤더의 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택합니다.
1. 드롭다운 메뉴에서 **노트북 보기**를 선택합니다.
1. 노트북 콘텐츠와 함께 팝업이 나타납니다. **다운로드**를 선택한 다음, 다음 중 하나를 수행할 수 있습니다.
1. **다운로드**를 선택하여 노트북 콘텐츠를 로컬 디바이스에 저장합니다.
1. **S3 URI 복사**를 선택하여 노트북이 저장된 Amazon S3 위치를 복사합니다. 노트북은 [Amazon SageMaker Canvas를 설정하기 위한 사전 조건](canvas-getting-started.md#canvas-prerequisites) 섹션에서 구성된 **Canvas 스토리지 구성**에 지정된 Amazon S3 버킷에 저장됩니다.
이제 노트북을 로컬에서 보거나 Amazon S3에서 객체로 볼 수 있습니다. 노트북을 IDE에 업로드하여 코드를 편집하고 실행하거나 조직의 다른 사용자와 노트북을 공유하여 검토할 수 있습니다.
# 모델을 빠른 로 전송
Quick을 사용하고 빠른 시각화에서 SageMaker Canvas를 활용하려는 경우 Amazon SageMaker Canvas 모델을 빌드하여 Quick 데이터 세트의 *예측 필드*로 사용할 수 있습니다. *예측 필드는* Canvas 사용자가 모델을 사용하여 단일 또는 배치 예측을 수행하는 방식과 마찬가지로 데이터 세트의 지정된 열을 예측할 수 있는 빠른 데이터 세트의 필드입니다. Canvas 예측 기능을 빠른 데이터 세트에 통합하는 방법에 대한 자세한 내용은 [빠른 사용 설명서](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html)의 [SageMaker Canvas 통합](https://docs.aws.amazon.com/quicksight/latest/user/sagemaker-canvas-integration.html)을 참조하세요.
다음 단계에서는 Canvas 모델을 사용하여 Quick 데이터 세트에 예측 필드를 추가하는 방법을 설명합니다.
1. Canvas 애플리케이션을 열고 데이터세트로 모델을 구축합니다.
1. Canvas에서 모델을 빌드한 후 모델을 Quick로 전송합니다. 모델을 Quick로 보내면 스키마 파일이 로컬 시스템에 자동으로 다운로드됩니다. 다음 단계에서이 스키마 파일을 Quick에 업로드합니다.
1. Quick을 열고 모델을 빌드하는 데 사용한 데이터 세트와 스키마가 동일한 데이터 세트를 선택합니다. 데이터세트에 예측 필드를 추가하고 다음 작업을 수행합니다.
1. Canvas에서 전송한 모델을 지정합니다.
1. 2단계에서 다운로드한 스키마 파일을 업로드합니다.
1. 변경 내용을 저장하고 게시한 다음 새 데이터세트에 대한 예측을 생성합니다. Quick은 모델을 사용하여 대상 열을 예측으로 채웁니다.
Canvas에서 Quick로 모델을 보내려면 다음 사전 조건을 충족해야 합니다.
+ Canvas와 Quick을 모두 설정해야 합니다. 빠른 계정은 Canvas 애플리케이션 AWS 리전 과 동일한에서 생성해야 합니다. Quick 계정의 홈 리전이 Canvas 애플리케이션의 리전과 다른 경우 Quick 계정을 [닫](https://docs.aws.amazon.com/quicksight/latest/user/closing-account.html)았다가 다시 생성하거나 [Quick 계정과 동일한 리전에 Canvas 애플리케이션을 설정해야](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) 합니다. Quick 계정에는 Quick 계정을 처음 생성할 때 설정한 기본 네임스페이스도 포함되어야 합니다. 빠른 액세스 권한을 얻으려면 관리자에게 문의하세요. 자세한 내용은 [빠른 사용 설명서](https://docs.aws.amazon.com/quicksight/latest/user/setting-up.html)*의 빠른* 설정을 참조하세요.
+ 사용자에게 예측을 Quick으로 전송하는 데 필요한 AWS Identity and Access Management (IAM) 권한이 있어야 합니다. 관리자는 사용자에 대한 IAM 권한을 설정할 수 있습니다. 자세한 내용은 [사용자에게 예측을 빠르게 전송할 수 있는 권한 부여를 참조하세요](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-quicksight-permissions.html).
+ Quick은 Canvas 애플리케이션 스토리지에 대해 지정한 Amazon S3 버킷에 액세스할 수 있어야 합니다. 자세한 내용은 [Amazon S3 스토리지 구성](canvas-storage-configuration.md) 단원을 참조하십시오.
# Amazon SageMaker Canvas의 시계열 예측
**참고**
시계열 예측 모델은 테이블 형식 데이터세트에만 지원됩니다.
Amazon SageMaker Canvas는 기계 학습 시계열 예측을 사용할 수 있는 기능을 제공합니다. 시계열 예측을 사용하면 시간에 따라 달라질 수 있는 예측을 수행할 수 있습니다.
다음 예제에 대해 시계열 예측을 만들 수 있습니다.
+ 향후 몇 개월 동안의 인벤토리 예측.
+ 향후 4개월 동안 판매된 품목 수.
+ 가격 인하가 연휴 기간 동안 판매에 미치는 영향.
+ 다음 12개월 동안의 품목 인벤토리.
+ 다음 몇 시간 동안 매장에 입장하는 고객 수
+ 제품 가격의 10% 인하가 일정 기간 동안 매출에 어떤 영향을 미치는지 예측합니다.
시계열 예측을 하려면 데이터세트에 다음이 포함되어야 합니다.
+ `datetime` 유형의 값이 모두 포함된 타임스탬프 열.
+ 미래 값을 예측하는 데 사용하는 값이 있는 대상 열.
+ 데이터세트의 각 항목에 대해 SKU 번호와 같은 고유 식별자가 포함된 항목 ID 열
타임스탬프 열의 `datetime`값은 다음 형식 중 하나를 사용해야 합니다.
+ `YYYY-MM-DD HH:MM:SS`
+ `YYYY-MM-DDTHH:MM:SSZ`
+ `YYYY-MM-DD`
+ `MM/DD/YY`
+ `MM/DD/YY HH:MM`
+ `MM/DD/YYYY`
+ `YYYY/MM/DD HH:MM:SS`
+ `YYYY/MM/DD`
+ `DD/MM/YYYY`
+ `DD/MM/YY`
+ `DD-MM-YY`
+ `DD-MM-YYYY`
다음 간격으로 예측할 수 있습니다.
+ 1분
+ 5분
+ 15분
+ 30분
+ 1시간
+ 1일
+ 1주
+ 한 달
+ 1년
## 입력 데이터세트의 미래 값
Canvas는 미래 값을 포함할 가능성이 있는 데이터세트의 열을 자동으로 감지합니다. 이러한 값이 있는 경우 예측의 정확도를 높일 수 있습니다. Canvas는 이러한 특정 열을 `Future values`레이블로 표시합니다. Canvas는 이러한 열의 데이터와 예측하려는 대상 열 간의 관계를 추론하고 이 관계를 활용하여 더 정확한 예측을 생성합니다.
예를 들어 식료품점에서 판매하는 아이스크림의 양을 예측할 수 있습니다. 예측을 하려면 타임스탬프 열과 식료품점에서 판매한 아이스크림의 양을 나타내는 열이 있어야 합니다. 보다 정확한 예측을 위해 데이터세트에는 가격, 주변 온도, 아이스크림 맛 또는 아이스크림의 고유 식별자도 포함될 수 있습니다.
날씨가 따뜻해지면 아이스크림 판매량이 증가할 수 있습니다. 아이스크림 가격이 내려가면 아이스크림이 더 많이 판매될 수 있습니다. 주변 온도 데이터가 있는 열과 가격 데이터가 포함된 열이 있으면 식료품점에서 판매하는 아이스크림의 단위 수를 예측하는 능력을 높일 수 있습니다.
미래 값을 제공하는 것은 선택 사항이지만 Canvas 애플리케이션에서 직접 가정 분석을 수행하여 미래 값의 변화가 예측을 어떻게 바꿀 수 있는지 보여주는 데 도움이 됩니다.
## 누락 값 처리
여러 가지 이유로 데이터가 누락되었을 수 있습니다. 누락된 데이터가 발생한 이유에 따라 Canvas에서 해당 데이터를 어떻게 산입해야 하는지가 결정될 수 있습니다. 예를 들어 조직에서는 판매가 발생한 시기만 추적하는 자동 시스템을 사용할 수 있습니다. 이러한 유형의 자동 시스템에서 제공되는 데이터세트를 사용하는 경우 대상 열에 누락된 값이 있습니다.
**중요**
대상 열에 누락된 값이 있는 경우 누락된 값이 없는 데이터세트를 사용하는 것이 좋습니다. SageMaker Canvas는 대상 열을 사용하여 미래 가치를 예측합니다. 대상 열에 누락된 값이 있으면 예측의 정확도가 크게 떨어질 수 있습니다.
데이터세트에 누락된 값이 있는 경우 Canvas는 대상 열을 `0`으로 채우고 다른 숫자 열을 열의 중앙값으로 채워 누락된 값을 자동으로 산입합니다.
그러나 데이터세트의 대상 열과 기타 숫자 열에 대한 채우기 논리를 직접 선택할 수 있습니다. 대상 열의 채우기 지침 및 제한사항은 나머지 숫자 열과 다릅니다. 목표 열은 과거 기간의 끝까지 채워지는 반면, 숫자 열은 과거 기간과 미래 기간 모두에서 예측 대상 기간 끝까지 채워집니다. Canvas는 데이터에 미래 타임스탬프가 있는 레코드가 하나 이상 있고 해당 특정 열에 대한 값이 있는 경우에만 숫자 열의 미래 값을 채웁니다.
다음 채우기 논리 옵션 중 하나를 선택하여 데이터의 누락된 값을 산입할 수 있습니다.
+ `zero` - `0`로 채웁니다.
+ `NaN` - NaN으로 채우거나 숫자가 아닌 것으로 채웁니다. 이 기능은 대상 열에서만 지원됩니다.
+ `mean` - 데이터 계열의 평균값으로 채웁니다.
+ `median` - 데이터 계열의 중간값으로 채웁니다.
+ `min` - 데이터 계열의 최소값으로 채웁니다.
+ `max` - 데이터 계열의 최대값으로 채웁니다.
채우기 논리를 선택할 때 모델이 논리를 해석하는 방법을 고려해야 합니다. 예를 들어 소매 시나리오에서 재고 품목의 판매량이 0을 기록하는 것은 품절 품목의 판매량이 0을 기록하는 것과 다릅니다.후자의 시나리오는 품절 품목에 대한 고객의 관심 부족을 의미하지는 않습니다. 이 경우 데이터세트의 대상 열을 `0`로 채우면 모델이 예측에 편향되지 않으며 품절 품목에 대한 고객 관심이 부족하다고 추론될 수 있습니다. 반대로, `NaN`로 채우면 재고 품목 중 판매된 품목이 0건인 경우를 모델에서 무시할 수 있습니다.
## 예측 유형
다음 예측 유형 중 하나를 수행할 수 있습니다.
+ **단일 항목**
+ **모든 항목**
데이터세트의 모든 항목에 대한 예측의 경우 SageMaker Canvas는 데이터세트의 각 항목에 대한 미래 값에 대한 예측을 반환합니다.
단일 항목 예측의 경우 항목을 지정하면 SageMaker Canvas가 미래 값에 대한 예측을 반환합니다. 예측에는 시간 경과에 따른 예측 값을 표시하는 선 그래프가 포함됩니다.
**Topics**
+ [
## 입력 데이터세트의 미래 값
](#canvas-time-series-future)
+ [
## 누락 값 처리
](#canvas-time-series-missing)
+ [
## 예측 유형
](#canvas-time-series-types)
+ [
# 인사이트 예측을 위한 추가 옵션
](canvas-additional-insights.md)
# 인사이트 예측을 위한 추가 옵션
Amazon SageMaker Canvas에서는 다음과 같은 선택적 방법을 사용하여 예측에서 더 많은 통찰력을 얻을 수 있습니다.
+ 그룹 열
+ 휴일 일정
+ 가상 시나리오
데이터세트의 열을 **그룹 열**로 지정할 수 있습니다. Amazon SageMaker Canvas는 열의 각 값을 기준으로 예측을 그룹화합니다. 예를 들어 가격 데이터 또는 고유 항목 식별자가 포함된 열에 대한 예측을 그룹화할 수 있습니다. 예측을 열 별로 그룹화하면 보다 구체적인 예측을 할 수 있습니다. 예를 들어 항목 식별자가 포함된 열에 예측을 그룹화하면 각 항목에 대한 예측을 볼 수 있습니다.
휴일이 있는 경우 전체 품목 판매에 영향을 미칠 수 있습니다. 예를 들어 미국의 경우 11월과 12월에 판매된 품목 수는 1월에 판매된 품목 수와 크게 다를 수 있습니다. 11월과 12월의 데이터를 사용하여 1월의 판매량을 예측하는 경우 결과가 정확하지 않을 수 있습니다. 휴일 일정을 사용하면 결과가 부정확하게 나오는 것을 방지할 수 있습니다. 251개국의 휴일 일정을 사용할 수 있습니다.
데이터세트의 단일 항목에 대한 예측의 경우 가정 시나리오를 사용할 수 있습니다. 가정 시나리오를 사용하면 데이터의 값을 변경하고 예측을 변경할 수 있습니다. 예를 들어 가상 시나리오를 사용하여 다음 질문에 대답할 수 있습니다."가격을 낮추면 어떻게 될까요? 그게 판매되는 품목 수에 어떤 영향을 미칠까요?”
# Amazon SageMaker Canvas에서 모델 버전 추가
Amazon SageMaker Canvas에서 *버전*을 추가하여 빌드한 모델을 업데이트할 수 있습니다. 빌드한 각 모델에는 버전 번호가 있습니다. 첫 번째 모델은 버전 1 또는 `V1`입니다. 모델 버전을 사용하면 데이터를 업데이트하거나 [고급 변환](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html)을 사용할 때 예측 정확도의 변화를 확인할 수 있습니다.
모델을 볼 때 SageMaker Canvas는 모델 기록을 표시하므로 빌드한 모든 모델 버전을 비교할 수 있습니다. 더 이상 유용하지 않은 버전을 삭제할 수도 있습니다. 여러 모델 버전을 만들고 정확도를 평가하여 모델 성능을 반복적으로 개선할 수 있습니다.
**참고**
텍스트 예측 및 이미지 예측 모델은 하나의 모델 버전만 지원합니다.
모델 버전을 추가하려면 기존 버전을 복제하거나 새 버전을 만들면 됩니다.
현재 모델 구성에 모델 레시피 및 입력 데이터세트를 포함하여 기존 버전 사본을 복제합니다. 또는 새 모델 레시피를 구성하거나 다른 데이터세트를 선택하려면 새 버전을 만들면 됩니다.
새 버전을 만들고 다른 데이터세트를 선택하는 경우 버전 1의 데이터세트와 대상 열 및 스키마가 동일한 데이터세트를 선택해야 합니다.
새 버전을 추가하려면 먼저 하나 이상의 모델 버전을 성공적으로 빌드해야 합니다. 그런 다음 [SageMaker 모델 레지스트리에 모델 버전을 등록](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-register-model.html)할 수 있습니다. 레지스트리를 사용하여 모델 버전을 추적하고 프로덕션 모델 승인 시 Studio Classic 사용자와 협업합니다.
첫 번째 모델 버전에 대한 빠른 빌드를 수행한 경우 버전을 추가할 때 표준 빌드를 실행할 수 있는 옵션이 있습니다. 표준 빌드는 일반적으로 정확도가 더 높습니다. 따라서 빠른 빌드 구성에 확신이 드는 경우 표준 빌드를 실행하여 모델의 최종 버전을 만들 수 있습니다. 빠른 빌드와 표준 빌드의 차이점에 대한 자세한 내용은 [사용자 지정 모델 작동 방식](canvas-build-model.md) 섹션을 참조하세요.
다음 절차에서는 모델 버전을 추가하는 방법을 보여줍니다. 절차는 동일한 빌드 유형의 버전을 추가하는지 아니면 다른 빌드 유형(빠른 버전 또는 표준 버전)을 추가하는지에 따라 다릅니다. **새 모델 버전을 추가하는 방법**에 나온 절차를 사용하여 동일한 빌드 유형의 버전을 추가합니다. 빠른 빌드를 실행한 후 표준 빌드 모델 버전을 추가하려면 **표준 빌드를 실행하는 방법**의 절차를 따르세요.
**새 모델 버전을 추가하는 방법**
1. SageMaker Canvas 애플리케이션을 엽니다. 자세한 내용은 [Amazon SageMaker Canvas 사용 시작하기](canvas-getting-started.md) 섹션을 참조하세요.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다. 모델을 찾으려면 **문제 유형별로 필터링**을 선택하면 됩니다.
1. 모델이 열리면 상단 패널에서 **버전 추가** 버튼을 선택합니다.
1. 드롭다운 메뉴에서 다음 옵션 중 하나를 선택합니다.
1. **처음부터 새 버전 추가** - 이 옵션을 선택하면 새 모델 버전의 초안과 함께 **빌드** 탭이 열립니다. 다른 데이터세트를 선택하고(스키마가 첫 번째 모델 버전 데이터세트의 스키마와 일치해야 함) 새 모델 레시피를 구성할 수 있습니다. 모델 버전 빌드에 대한 자세한 내용은 [모델 빌드](canvas-build-model-how-to.md) 섹션을 참조하세요.
1. **구성과 함께 기존 버전 복제** - 복제하려는 버전을 선택하라는 대화 상자가 표시됩니다. 원하는 버전을 선택한 후 **복제**를 선택합니다. **빌드** 탭이 새 모델 버전의 초안과 함께 열립니다. 복제된 버전에서 모델 레시피 구성이 복사됩니다. 모델 버전 빌드에 대한 자세한 내용은 [모델 빌드](canvas-build-model-how-to.md) 섹션을 참조하세요.
**표준 빌드를 실행하는 방법**
1. SageMaker Canvas 애플리케이션을 엽니다. 자세한 내용은 [Amazon SageMaker Canvas 사용 시작하기](canvas-getting-started.md) 섹션을 참조하세요.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다. **문제 유형별로 필터링**을 선택하여 모델을 더 쉽게 찾을 수 있습니다.
1. 모델이 열리면 **분석** 탭을 선택합니다.
1. **표준 빌드**를 선택합니다.
![\[표준 빌드 버튼을 보여주는 Canvas 모델의 분석 탭\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-add-version-quick-to-standard.png)
**빌드** 탭에 열리는 모델 초안 페이지에서 모델 구성을 수정하고 빌드를 시작할 수 있습니다. 모델 버전 빌드에 대한 자세한 내용은 [모델 빌드](canvas-build-model-how-to.md) 섹션을 참조하세요.
이제 새 모델 버전 빌드가 진행 중일 것입니다. 모델 구축에 대한 자세한 내용은 [사용자 지정 모델 작동 방식](canvas-build-model.md)을 참조하세요.
모델 버전을 빌드한 후 언제든지 모델 세부 정보 페이지로 돌아가서 모든 버전을 보거나 더 많은 버전을 추가할 수 있습니다. 다음 이미지에서는 모델의 **버전** 페이지를 보여줍니다.
![\[Canvas에 있는 모델의 모델 버전 페이지입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/model-versions.png)
**버전** 페이지에서 각 모델 버전에 대한 다음 정보를 볼 수 있습니다.
+ **상태** - 이 필드는 모델이 현재 빌드 중(`In building`)인지, 빌드 완료(`Ready`)인지, 빌드 실패(`Failed`)인지, 아직 편집 중(`In draft`)인지 알려줍니다.
+ **모델 점수**, **F1**, **정밀도**, **재현율**, **AUC** - 이 페이지에서 **고급 지표 표시** 토글을 켜면 이러한 모델 지표를 볼 수 있습니다. 이러한 지표는 모델의 정확도와 성능을 나타냅니다. 자세한 내용은 [모델 평가](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html)를 참조하세요.
+ **공유** - 이 필드는 SageMaker Studio Classic 사용자와 모델 버전을 공유했는지를 나타냅니다.
+ **모델 레지스트리** - 이 필드는 모델 레지스트리에 버전을 등록했는지를 나타냅니다. 자세한 내용은 [SageMaker AI 모델 레지스트리에 모델 버전 등록](canvas-register-model.md) 섹션을 참조하세요.
# MLOps
SageMaker Canvas에서 신뢰할 수 있는 모델을 구축한 후에는 모델을 조직의 MLOps(기계 학습 작업) 프로세스와 통합하는 것이 좋습니다. MLOps에는 프로덕션에 사용할 모델 배포 또는 CI/CD(지속적 통합 및 지속적인 배포) 파이프라인 설정과 같은 일반적인 작업이 포함됩니다.
다음 주제에서는 Canvas에서 만든 모델을 프로덕션 환경에서 사용하기 위해 Canvas의 기능을 사용하는 방법을 설명합니다.
**Topics**
+ [
# SageMaker AI 모델 레지스트리에 모델 버전 등록
](canvas-register-model.md)
+ [
# 엔드포인트에 모델 배포
](canvas-deploy-model.md)
+ [
# 배포 보기
](canvas-deploy-model-view.md)
+ [
# 배포 구성 업데이트
](canvas-deploy-model-update.md)
+ [
# 배포 테스트
](canvas-deploy-model-test.md)
+ [
# 엔드포인트 호출
](canvas-deploy-model-invoke.md)
+ [
# 모델 배포 삭제
](canvas-deploy-model-delete.md)
# SageMaker AI 모델 레지스트리에 모델 버전 등록
SageMaker Canvas를 사용하면 모델의 여러 이터레이션 또는 버전을 만들어 시간이 지남에 따라 모델을 개선할 수 있습니다. 더 나은 훈련 데이터를 얻거나 모델의 정확도를 개선하려는 경우 새 버전의 모델을 빌드하는 것이 좋습니다. 모델에 버전을 추가하는 방법에 대한 자세한 내용은 [모델 업데이트](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html)를 참조하세요.
신뢰할 수 있는 [모델을 구축한](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) 후에는 프로덕션 환경에서 사용하기 전에 성능을 평가하고 조직의 데이터 사이언티스트나 MLOps 엔지니어에게 검토를 받는 것이 좋습니다. 이렇게 하려면 [SageMaker 모델 레지스트리](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html)에 모델 버전을 등록할 수 있습니다. SageMaker 모델 레지스트리는 데이터 과학자 또는 엔지니어가 기계 학습(ML) 모델을 카탈로그화하고 모델 버전 및 관련 메타데이터(예: 훈련 지표)를 관리하는 데 사용할 수 있는 리포지토리입니다. 또한 모델의 승인 상태를 관리하고 기록할 수 있습니다.
모델 버전을 SageMaker 모델 레지스트리에 등록하면 데이터 과학자 또는 MLOps 팀이 기계 학습 모델 작업을 위한 웹 기반 통합 개발 환경(IDE)인 [SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html)을 통해 SageMaker 모델 레지스트리에 액세스할 수 있습니다. Studio Classic의 SageMaker 모델 레지스트리 인터페이스에서 데이터 과학자 또는 MLOps 팀은 모델을 평가하고 승인 상태를 업데이트할 수 있습니다. 모델이 요구 사항에 맞게 작동하지 못하는 경우 데이터 사이언티스트 또는 MLOps 팀이 상태를 `Rejected`로 업데이트할 수 있습니다. 모델이 요구 사항에 맞게 작동하는 경우 데이터 사이언티스트 또는 MLOps 팀은 상태를 `Approved`로 업데이트할 수 있습니다. 그런 다음 [모델을 엔드포인트에 배포](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html#deploy-model-prereqs)하거나 CI/CD 파이프라인을 사용하여 [모델 배포를 자동화](https://aws.amazon.com/blogs/machine-learning/building-automating-managing-and-scaling-ml-workflows-using-amazon-sagemaker-pipelines/)할 수 있습니다. SageMaker AI 모델 레지스트리 기능을 사용하여 Canvas에 내장된 모델을 조직의 MLOps 프로세스와 원활하게 통합할 수 있습니다.
다음 다이어그램에는 MLOps 워크플로에 통합하기 위해 Canvas에 내장된 모델 버전을 SageMaker 모델 레지스트리에 등록하는 예시가 요약되어 있습니다.
![\[MLOps 워크플로에 통합하기 위해 Canvas에서 빌드된 모델 버전을 등록하는 단계\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-model-registration-diagram.jpg)
테이블, 이미지 및 텍스트 모델 버전을 SageMaker 모델 레지스트리에 등록할 수 있습니다. 여기에는 시계열 예측 모델 및 JumpStart 기반 [미세 조정 파운데이션 모델](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-fine-tune.html)이 포함됩니다.
**참고**
현재 Canvas에 구축된 Amazon Bedrock 기반 미세 조정 파운데이션 모델을 SageMaker 모델 레지스트리에 등록할 수 없습니다.
다음 섹션에서는 Canvas에서 SageMaker 모델 레지스트리에 모델 버전을 등록하는 방법을 보여줍니다.
## 권한 관리
기본적으로 SageMaker 모델 레지스트리에 모델 버전을 등록할 권한이 있습니다. SageMaker AI는 Canvas 애플리케이션을 호스팅하는 SageMaker AI 도메인의 AWS IAM 실행 역할에 연결된 [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html) 정책을 통해 모든 신규 및 기존 Canvas 사용자 프로필에 이러한 권한을 부여합니다.
Canvas 관리자가 새 도메인 또는 사용자 프로필을 설정하는 경우, 도메인을 설정하고 [Getting started guide](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites)의 사전 지침을 따르면 SageMaker AI는 기본적으로 활성화되어 있는 **ML 운영 권한 구성** 옵션을 통해 모델 등록 권한을 활성화합니다.
Canvas 관리자는 사용자 프로필 수준에서도 모델 등록 권한을 관리할 수 있습니다. 예를 들어 관리자가 일부 사용자 프로필에는 모델 등록 권한을 부여하고 다른 사용자 프로필에는 권한을 제거하려는 경우 특정 사용자에 대한 권한을 편집할 수 있습니다. 다음 절차는 특정 사용자 프로필에 대한 모델 등록 권한을 끄는 방법을 보여줍니다.
1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 SageMaker AI 콘솔을 엽니다.
1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다.
1. **관리자 구성**에서 **도메인**을 선택합니다.
1. 도메인 목록에서 사용자 프로필의 도메인을 선택합니다.
1. **도메인 세부 정보** 페이지에서 권한을 편집하려는 **사용자 프로필**을 선택합니다.
1. **사용자 세부 정보** 페이지에서 **편집**을 선택합니다.
1. 왼쪽의 탐색 창에서 **Canvas 설정**을 선택합니다.
1. **ML Ops 권한 구성** 섹션에서 **모델 레지스트리 등록 권한 활성화** 토글을 끕니다.
1. **제출**을 선택하여 도메인 설정 변경 내용을 저장합니다.
사용자 프로필에는 더 이상 모델 등록 권한이 없어야 합니다.
## SageMaker AI 모델 레지스트리에 모델 버전 등록
SageMaker 모델 레지스트리는 *모델 그룹*의 특정 문제를 해결하기 위해 구축한 모든 모델 버전을 추적합니다. SageMaker Canvas 모델을 구축하고 SageMaker 모델 레지스트리에 등록하면 모델 그룹에 새 모델 버전으로 추가됩니다. 예를 들어 네 가지 버전의 모델을 구축하고 등록하는 경우 SageMaker 모델 레지스트리 인터페이스에서 작업하는 데이터 과학자 또는 MLOps 팀이 모델 그룹을 보고 한 곳에서 모델의 네 가지 버전을 모두 검토할 수 있습니다.
Canvas 모델을 SageMaker 모델 레지스트리에 등록하면 Canvas 모델을 따라 모델 그룹이 자동으로 생성되고 이름이 지정됩니다. 선택적으로 모델 이름을 원하는 이름으로 변경하거나 SageMaker 모델 레지스트리의 기존 모델 그룹을 사용할 수 있습니다. 모델 그룹 생성에 대한 자세한 내용은 [모델 그룹 생성](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-model-group.html)을 참조하세요.
**참고**
현재는 Canvas에 내장된 모델만 동일한 계정의 SageMaker 모델 레지스트리에 등록할 수 있습니다.
Canvas 애플리케이션에서 SageMaker 모델 레지스트리에 모델 버전을 등록하려면 다음 절차를 사용하세요.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **내 모델**을 선택합니다.
1. **내 모델** 페이지에서 모델을 선택합니다. **문제 유형별로 필터링하여** 모델을 더 쉽게 찾을 수 있습니다.
1. 모델을 선택하면 모델의 모든 버전이 나열된 **버전** 페이지가 열립니다. **고급 지표 표시** 토글을 켜면 **재현율** 및 **정밀도**와 같은 고급 지표를 보고 모델 버전을 비교하고 등록할 모델을 결정할 수 있습니다.
1. 모델 버전 목록에서 등록하려는 버전의 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택합니다. 또는 등록해야 하는 버전을 두 번 클릭한 다음 버전 세부 정보 페이지에서 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택할 수도 있습니다.
1. 드롭다운 목록에서 **모델 레지스트리에 추가**를 선택합니다. **모델 레지스트리에 추가** 대화 상자가 열립니다.
1. **모델 레지스트리에 추가** 대화 상자에서 다음을 수행합니다.
1. (선택 사항) **SageMaker Studio Classic 모델 그룹** 섹션에서 **모델 그룹 이름** 필드에 버전을 등록하려는 모델 그룹의 이름을 입력합니다. SageMaker AI가 생성한 새 모델 그룹의 이름을 지정하거나 기존 모델 그룹을 지정할 수 있습니다. 이 필드를 지정하지 않는 경우 Canvas는 사용자의 버전을 모델과 동일한 이름을 가진 기본 모델 그룹에 등록합니다.
1. **추가**를 선택합니다.
이제 모델 버전이 SageMaker 모델 레지스트리의 모델 그룹에 등록되어야 합니다. SageMaker 모델 레지스트리의 모델 그룹에 모델 버전을 등록하면 Canvas 모델의 모든 후속 버전이 동일한 모델 그룹에 등록됩니다(등록하도록 선택한 경우). 버전을 다른 모델 그룹에 등록하는 경우 SageMaker 모델 레지스트리로 이동하여 [모델 그룹을 삭제](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-delete-model-group.html)해야 합니다. 그런 다음 새 모델 그룹에 모델 버전을 다시 등록할 수 있습니다.
모델의 상태를 보려면 Canvas 애플리케이션에서 해당 모델의 **버전** 페이지로 돌아갈 수 있습니다. 이 페이지는 각 버전의 **모델 레지스트리** 상태를 보여줍니다. 상태가 `Registered`이면 모델이 성공적으로 등록된 것입니다.
**등록된 모델 버전의 세부 정보를 보려면 **모델 레지스트리** 상태의 등록 필드 위에 마우스를 올려 놓으면 **모델 레지스트리 세부 정보** 팝업 상자가 나타납니다.** 이러한 세부 정보에는 다음과 같은 추가 정보가 포함됩니다.
+ **모델 패키지 그룹 이름**은 SageMaker 모델 레지스트리에 버전이 등록된 모델 그룹입니다.
+ **승인 상태**는 `Pending Approval`, `Approved`또는 `Rejected`일 수 있습니다. Studio Classic 사용자가 SageMaker 모델 레지스트리에서 버전을 승인하거나 거부하는 경우 페이지를 새로 고치면 모델 버전 페이지에서 이 상태가 업데이트됩니다.
다음 스크린샷은 이 **특정 모델 버전**에 대한 `Approved`**승인 상태**와 함께 모델 레지스트리 세부 정보 상자를 보여줍니다.
![\[Canvas 애플리케이션의 SageMaker 모델 레지스트리 세부 정보 상자의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/approved-mr.png)
# 엔드포인트에 모델 배포
Amazon SageMaker Canvas에서는 모델을 엔드포인트에 배포하여 예측을 수행할 수 있습니다. SageMaker AI는 선택한 컴퓨팅 인스턴스를 사용하여 엔드포인트에서 모델을 호스팅할 수 있는 ML 인프라를 제공합니다. 그런 다음 엔드포인트를 *호출*(예측 요청 전송)하고 모델에서 실시간 예측을 가져올 수 있습니다. 이 기능을 사용하면 프로덕션에서 모델을 사용하여 들어오는 요청에 응답하고 모델을 기존 애플리케이션 및 워크플로와 통합할 수 있습니다.
시작하려면 배포할 모델이 있어야 합니다. 빌드한 사용자 지정 모델 버전, Amazon SageMaker JumpStart 파운데이션 모델 및 미세 조정된 JumpStart 파운데이션 모델을 배포할 수 있습니다. 모델 구축에 대한 추가 정보는 [사용자 지정 모델 작동 방식](canvas-build-model.md)을 참조하세요. Canvas의 JumpStart 파운데이션 모델에 대한 자세한 내용은 [SageMaker Canvas의 생성형 AI 파운데이션 모델](canvas-fm-chat.md) 섹션을 참조하세요.
**다음 **권한 관리** 섹션을 검토한 다음 모델 배포 섹션에서 새 배포를 생성하세요.**
## 권한 관리
기본적으로 사용자에게는 SageMaker AI 호스팅 엔드포인트에 모델을 배포할 권한이 있습니다. SageMaker AI는 Canvas 애플리케이션을 호스팅하는 SageMaker AI 도메인의 AWS IAM 실행 역할에 연결된 [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html) 정책을 통해 모든 신규 및 기존 Canvas 사용자 프로필에 이러한 권한을 부여합니다.
Canvas 관리자가 새 도메인 또는 사용자 프로필을 설정하는 경우, 도메인을 설정하고 [Amazon SageMaker Canvas를 설정하기 위한 사전 조건](canvas-getting-started.md#canvas-prerequisites)의 사전 요구 사항 지침을 따를 때 SageMaker AI는 기본적으로 활성화되는 **Canvas 모델의 직접 배포 활성화** 옵션을 통해 모델 배포 권한을 활성화합니다.
Canvas 관리자는 사용자 프로필 수준에서도 모델 배포 권한을 관리할 수 있습니다. 예를 들어 관리자가 도메인을 설정할 때 모든 사용자 프로필에 모델 배포 권한을 부여하지 않으려는 경우 도메인을 만든 후 특정 사용자에게 권한을 부여할 수 있습니다.
다음 절차는 특정 사용자 프로필에 대한 모델 배포 권한을 수정하는 방법을 보여줍니다.
1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 SageMaker AI 콘솔을 엽니다.
1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다.
1. **관리자 구성**에서 **도메인**을 선택합니다.
1. 도메인 목록에서 사용자 프로필의 도메인을 선택합니다.
1. **도메인 세부 정보** 페이지에서 **사용자 프로필** 탭을 선택합니다.
1. 본인의 **사용자 프로필**을 선택합니다.
1. 사용자 프로필 페이지에서 **앱 구성** 탭을 선택합니다.
1. **Canvas** 섹션에서 **편집**을 선택합니다.
1. **ML 운영 구성** 섹션에서 **Canvas 모델 직접 배포 활성화** 토글을 켜서 배포 권한을 활성화합니다.
1. **제출**을 선택하여 도메인 설정 변경 내용을 저장합니다.
이제 사용자 프로필에 모델 배포 권한이 없습니다.
도메인 또는 사용자 프로필에 권한을 부여한 후 사용자가 Canvas 애플리케이션에서 로그아웃하고 다시 로그인하여 권한 변경 사항을 적용하도록 해야 합니다.
## 모델 배포
모델 배포를 시작하려면 Canvas에서 새 배포를 만들고 ML 인프라와 함께 배포할 모델 버전(예: 모델 호스팅에 사용할 컴퓨팅 인스턴스의 유형 및 수)을 지정합니다.
Canvas는 모델 유형에 따라 기본 유형 및 인스턴스 수를 제안하거나 [Amazon SageMaker 요금 페이지](https://aws.amazon.com/sagemaker/pricing/)에서 다양한 SageMaker AI 인스턴스 유형에 대해 자세히 알아볼 수 있습니다. 엔드포인트가 활성화되어 있는 동안에는 SageMaker AI 인스턴스 요금을 기준으로 요금이 부과됩니다.
JumpStart 파운데이션 모델을 배포할 때 배포 시간의 기간을 지정하는 옵션도 있습니다. 모델을 엔드포인트에 무기한 배포할 수 있습니다(즉, 배포를 삭제할 때까지 엔드포인트가 활성 상태임). 또는 단기간만 엔드포인트가 필요하고 비용을 절감하려는 경우 지정된 시간 동안 엔드포인트에 모델을 배포할 수 있습니다. 이 시간이 지나면 SageMaker AI가 엔드포인트를 종료합니다.
**참고**
지정된 시간 동안 모델을 배포하는 경우 엔드포인트 기간 동안 Canvas 애플리케이션에 로그인한 상태를 유지합니다. 애플리케이션에서 로그아웃하거나 애플리케이션을 삭제하면 Canvas가 지정된 시간에 엔드포인트를 종료할 수 없습니다.
SageMaker AI 호스팅 [실시간 추론](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) 엔드포인트에 모델을 배포한 후 엔드포인트를 *간접 호출*하여 예측을 시작할 수 있습니다.
Canvas 애플리케이션에서 모델을 배포하는 방법에는 여러 가지가 있습니다. 다음 방법 중 하나를 통해 모델 배포 옵션에 액세스할 수 있습니다.
+ Canvas 애플리케이션의 **내 모델** 페이지에서 배포하려는 모델을 선택합니다. 그런 다음 모델의 **버전** 페이지에서 모델 버전 옆에 있는 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택하고 **배포**를 선택합니다.
+ 모델 버전의 세부 정보 페이지의 **분석** 탭에서 **배포** 옵션을 선택합니다.
+ 모델 버전의 세부 정보 페이지에 있는 **예측** 탭에서 페이지 상단의 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택하고 **배포**를 선택합니다.
+ Canvas 애플리케이션의 **ML 운영** 페이지에서 **배포** 탭을 선택한 다음 **배포 만들기**를 선택합니다.
+ JumpStart 파운데이션 모델 및 미세 조정된 파운데이션 모델의 경우 Canvas 애플리케이션의 **즉시 사용 가능 모델** 페이지로 이동합니다. **콘텐츠 생성, 추출 및 요약**을 선택합니다. 그런 다음 배포하려는 JumpStart 파운데이션 모델 또는 미세 조정 파운데이션 모델을 찾습니다. 모델을 선택하고 모델의 채팅 페이지에서 **배포** 버튼을 선택합니다.
이러한 모든 방법을 사용하면 **배포 모델** 사이드 패널이 열리고, 여기서 모델의 배포 구성을 지정할 수 있습니다. 이 패널에서 모델을 배포하려면 다음 작업을 수행합니다.
1. (선택 사항) **ML 운영** 페이지에서 배포를 만드는 경우 **모델 및 버전 선택** 옵션이 제공됩니다. 드롭다운 메뉴를 사용하여 배포하려는 모델 및 모델 버전을 선택합니다.
1. **배포 이름** 필드에 이름을 입력합니다.
1. (JumpStart 파운데이션 모델 및 미세 조정 파운데이션 모델만 해당) **배포 기간**을 선택합니다. 엔드포인트를 종료할 때까지 엔드포인트를 활성 상태로 두려면 **무기한**을 선택합니다. 아니면 **기간 지정**을 선택하고 엔드포인트가 활성 상태로 유지될 기간을 입력합니다.
1. **인스턴스 유형**의 경우 SageMaker AI는 모델에 적합한 기본 인스턴스 유형 및 번호를 감지합니다. 하지만 모델 호스팅에 사용하려는 인스턴스 유형은 변경할 수 있습니다.
**참고**
AWS 계정에서 선택한 인스턴스 유형에 대한 인스턴스 할당량이 부족한 경우 할당량 증가를 요청할 수 있습니다. 기본 할당량 및 증가를 요청하는 방법에 대한 자세한 내용은 *AWS 일반 참조 가이드*의 [Amazon SageMaker 엔드포인트 및 할당량](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html)을 참조하세요.
1. **인스턴스 수**에서는 엔드포인트에 사용되는 활성 인스턴스 수를 설정할 수 있습니다. SageMaker AI는 모델에 적합한 기본 번호를 감지하지만 이 번호는 변경할 수 있습니다.
1. 모델을 배포할 준비가 되면 **배포** 를 선택합니다.
이제 모델을 엔드포인트에 배포해야 합니다.
# 배포 보기
Amazon SageMaker Canvas에서 모델 배포의 상태 또는 세부 정보를 확인하고자 할 수 있습니다. 예를 들어 배포에 실패한 경우 세부 정보를 확인하여 문제를 해결하는 것이 좋습니다.
Canvas 애플리케이션 또는 Amazon SageMaker AI 콘솔에서 Canvas 모델 배포를 볼 수 있습니다.
Canvas에서 배포 세부 정보를 보려면 다음 절차 중 하나를 선택합니다.
**ML 운영** 페이지에서 배포 세부 정보를 보려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 창에서 **ML 운영**을 선택합니다.
1. **배포** 탭을 선택합니다.
1. 목록에서 이름으로 배포를 선택합니다.
모델 버전 페이지에서 배포 세부 정보를 보려면 다음을 수행하세요.
1. SageMaker Canvas 애플리케이션에서 모델 버전의 세부 정보 페이지로 이동합니다.
1. **배포** 탭을 선택합니다.
1. 해당 모델 버전과 관련된 모든 배포 구성을 나열하는 배포 섹션에서 **배포**를 찾으세요.
1. **추가 옵션** 아이콘(![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택한 다음 **세부 정보 보기**를 선택하여 세부 정보 페이지를 엽니다.
배포의 세부 정보 페이지가 열리고 가장 최근의 예측 시간, 엔드포인트의 상태 및 구성, 엔드포인트에 현재 배포된 모델 버전과 같은 정보를 볼 수 있습니다.
[SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker/)의 **SageMaker AI 대시보드**에서 현재 활성화된 Canvas 작업 영역 인스턴스와 활성 엔드포인트를 볼 수도 있습니다. Canvas 엔드포인트는 생성한 다른 SageMaker AI 호스팅 엔드포인트와 함께 나열되며, Canvas 태그로 엔드포인트를 검색하여 이를 필터링할 수 있습니다.
다음 스크린샷은 SageMaker AI 대시보드입니다. **Canvas** 섹션에서 하나의 작업 공간 인스턴스가 서비스 중이고 4개의 엔드포인트가 활성화된 것을 볼 수 있습니다.
![\[활성 Canvas 작업 영역 인스턴스 및 엔드포인트를 보여주는 SageMaker AI 대시보드의 스크린샷입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-sagemaker-dashboard.png)
# 배포 구성 업데이트
Amazon SageMaker Canvas에서 엔드포인트에 배포한 모델의 배포 구성을 업데이트할 수 있습니다. 예를 들어 업데이트된 모델 버전을 엔드포인트에 배포하거나, 용량 요구 사항에 따라 엔드포인트 뒤의 인스턴스 유형 또는 인스턴스 수를 업데이트할 수 있습니다.
Canvas 애플리케이션에서 배포를 업데이트하는 방법에는 여러 가지가 있습니다. 다음 방법을 사용할 수 있습니다.
+ Canvas 애플리케이션의 **ML 운영** 페이지에서 **배포** 탭을 선택하고 업데이트하려는 배포를 선택할 수 있습니다. **구성 업데이트**를 선택합니다.
+ 모델 버전의 세부 정보 페이지의 **배포** 탭에서 해당 버전의 배포를 확인할 수 있습니다. 배포 옆의 **추가 옵션** 아이콘(![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택한 다음 **구성 업데이트**를 선택합니다.
위의 두 방법 모두 **구성 업데이트** 사이드 패널을 열어 배포 구성을 변경할 수 있습니다. 구성을 업데이트하려면 다음을 수행합니다.
1. **버전 선택** 드롭다운 메뉴에서 엔드포인트에 배포할 다른 모델 버전을 선택할 수 있습니다.
**참고**
배포 구성을 업데이트할 때는 배포할 다른 모델 버전만 선택할 수 있습니다. 다른 모델을 배포하려면 새 배포를 생성하세요.
1. **인스턴스 유형**에서는 모델 호스팅에 사용할 다른 인스턴스 유형을 선택할 수 있습니다.
1. **인스턴스** 수의 경우 엔드포인트에 사용되는 활성 인스턴스 수를 변경할 수 있습니다.
1. **저장**을 선택합니다.
이제 배포 구성을 업데이트해야 합니다.
# 배포 테스트
Amazon SageMaker Canvas 애플리케이션을 통해 엔드포인트를 간접 호출하거나 단일 예측 요청을 전송하여 모델 배포를 테스트할 수 있습니다. 이 기능을 사용하면 프로덕션 환경에서 엔드포인트를 프로그래밍 방식으로 호출하기 전에 엔드포인트가 요청에 응답하는지 확인할 수 있습니다.
## 사용자 지정 모델 배포 테스트
**ML 운영** 페이지를 통해 액세스하고 단일 간접 호출을 수행하여 사용자 지정 모델 배포를 테스트할 수 있습니다. 그러면 예측이 정확할 확률과 함께 예측이 반환됩니다.
**참고**
실행 길이는 Canvas에서 엔드포인트를 호출하고 엔드포인트에서 응답을 받는 데 걸리는 예상 시간입니다. 자세한 지연 시간 지표는 [SageMaker AI 엔드포인트 간접 호출 지표](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-cloudwatch.html#cloudwatch-metrics-endpoint-invocation)를 참조하세요.
Canvas 애플리케이션을 통해 엔드포인트를 테스트하려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 패널에서 **ML 운영**을 선택합니다.
1. **배포** 탭을 선택합니다.
1. 배포 목록에서 호출할 엔드포인트가 있는 배포 목록을 선택합니다.
1. 배포의 세부 정보 페이지에서 **테스트 배포** 탭을 선택합니다.
1. 배포 테스트 페이지에서 **값** 필드를 수정하여 새 데이터 포인트를 지정할 수 있습니다. 시계열 예측 모델의 경우 예측을 수행할 **항목 ID**를 지정합니다.
1. 값을 수정한 후 **업데이트**를 선택하여 예측 결과를 가져옵니다.
예측이 로드되고 호출 성공 여부 및 요청 처리에 걸린 시간을 나타내는 **호출 결과** 필드가 함께 로드됩니다.
다음 스크린샷은 **테스트 배포** 탭의 Canvas 애플리케이션에서 수행된 예측을 보여줍니다.
![\[배포된 모델의 테스트 예측을 보여주는 Canvas 애플리케이션\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/canvas-test-deployments.png)
숫자 예측과 시계열 예측을 제외한 모든 모델 유형의 경우 예측은 다음 필드를 반환합니다.
+ **predicted\$1label** - 예측된 출력
+ **확률** - 예측된 레이블이 정확할 확률
+ **레이블** - 가능한 모든 레이블 목록
+ **확률** - 각 레이블에 해당하는 확률(이 목록의 순서는 레이블의 순서와 일치합니다)
숫자 예측 모델의 경우 예측에는 주택 예측 가격과 같은 모델의 예측 출력인 **점수** 필드만 포함됩니다.
시계열 예측 모델의 경우 예측은 분위수로 예측을 보여주는 그래프입니다. **스키마 보기**를 선택하여 각 분위수에 대해 예측된 숫자 값을 볼 수 있습니다.
배포 테스트 페이지를 통해 단일 예측을 계속하거나 다음 [엔드포인트 호출](canvas-deploy-model-invoke.md)섹션에서 애플리케이션에서 프로그래밍 방식으로 엔드포인트를 호출하는 방법을 알아볼 수 있습니다.
## JumpStart 파운데이션 모델 배포 테스트
Canvas 애플리케이션을 통해 배포된 JumpStart 파운데이션 모델과 채팅하여 코드를 통해 간접적으로 호출하기 전에 기능을 테스트할 수 있습니다.
배포된 JumpStart 파운데이션 모델과 채팅하려면 다음을 수행합니다.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 패널에서 **ML 운영**을 선택합니다.
1. **배포** 탭을 선택합니다.
1. 배포 목록에서 간접 호출할 배포를 찾아 **추가 옵션** 아이콘(![\[More options icon for a model deployment.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택합니다.
1. 컨텍스트 메뉴에서 **배포 테스트**를 선택합니다.
1. JumpStart 파운데이션 모델과 함께 새로운 **콘텐츠 생성, 추출 및 요약** 채팅이 열리고 프롬프트 입력을 시작할 수 있습니다. 이 채팅의 프롬프트는 SageMaker AI 호스팅 엔드포인트에 요청으로 전송됩니다.
# 엔드포인트 호출
**참고**
프로그래밍 방식으로 [SageMaker AI 엔드포인트를 간접 호출하기 전에 Amazon SageMaker Canvas에서 모델 배포를 테스트](canvas-deploy-model-test.md)하는 것이 좋습니다.
프로덕션 환경에서 애플리케이션과 함께 SageMaker AI 엔드포인트에 배포한 Amazon SageMaker Canvas 모델을 사용할 수 있습니다. 다른 [SageMaker AI 실시간 엔드포인트](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)를 간접 호출하는 것과 동일한 방식으로 프로그래밍 방식으로 엔드포인트를 간접 호출합니다. 엔드포인트를 프로그래밍 방식으로 간접 호출하면 [배포 테스트](canvas-deploy-model-test.md)에서 언급한 것과 동일한 필드를 포함하는 응답 객체가 반환됩니다.
엔드포인트를 프로그래밍 방식으로 호출하는 방법에 대한 자세한 내용은 [실시간 추론을 위한 모델 호출](realtime-endpoints-test-endpoints.md)을 참조하세요.
다음 Python 예제는 모델 유형에 따라 엔드포인트를 호출하는 방법을 보여줍니다.
## JumpStart 파운데이션 모델
다음 예시에서는 엔드포인트에 배포한 JumpStart 파운데이션 모델을 간접 호출하는 방법을 보여줍니다.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(
[['feature_column1', 'feature_column2'],
['feature_column1', 'feature_column2']]
).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## 숫자 및 범주형 예측 모델
다음 예시에서는 숫자 또는 범주형 예측 모델을 호출하는 방법을 보여줍니다.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(['feature_column1', 'feature_column2'], ['feature_column1', 'feature_column2']).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## 시계열 예측 모델
다음 예시에서는 시계열 예측 모델을 간접 호출하는 방법을 보여줍니다. 시계열 예측 모델 간접 호출을 테스트하는 방법에 대한 전체 예는 [Time-Series Forecasting with Amazon SageMaker Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb)을 참조하세요.
```
import boto3
import pandas as pd
csv_path = './real-time-payload.csv'
data = pd.read_csv(csv_path)
client = boto3.client("runtime.sagemaker")
body = data.to_csv(index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## 이미지 예측 모델
다음 예시에서는 이미지 예측 모델을 호출하는 방법을 보여줍니다.
```
import boto3
client = boto3.client("runtime.sagemaker")
with open("example_image.jpg", "rb") as file:
body = file.read()
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="application/x-image",
Body=body,
Accept="application/json"
)
```
## 텍스트 예측 모델
다음 예시에서는 텍스트 예측 모델을 호출하는 방법을 보여줍니다.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame([["Example text 1"], ["Example text 2"]]).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
# 모델 배포 삭제
Amazon SageMaker Canvas 애플리케이션에서 모델 배포를 삭제할 수 있습니다. 또한 이 작업을 수행하면 SageMaker AI 콘솔에서 엔드포인트가 삭제되고 모든 엔드포인트 관련 리소스가 종료됩니다.
**참고**
선택적으로 [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker/)을 통해 또는 SageMaker `DeleteEndpoint` API를 사용하여 엔드포인트를 삭제할 수 있습니다. 자세한 내용은 [엔드포인트 및 리소스 삭제](realtime-endpoints-delete-resources.md) 단원을 참조하십시오. 하지만 Canvas 애플리케이션 대신 SageMaker AI 콘솔 또는 API를 통해 엔드포인트를 삭제하면 Canvas의 배포 목록이 자동으로 업데이트되지 않습니다. 목록에서 제거하려면 Canvas 애플리케이션에서도 배포를 삭제해야 합니다.
Canvas에서 배포를 삭제하려면 다음 작업을 수행합니다.
1. SageMaker Canvas 애플리케이션을 엽니다.
1. 왼쪽 탐색 패널에서 **ML 운영**을 선택합니다.
1. **배포** 탭을 선택합니다.
1. 배포 목록에서 삭제하려는 배포를 선택합니다.
1. 배포 세부 정보 페이지 상단에서 **추가 옵션** 아이콘(![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택합니다.
1. **배포 삭제**를 선택합니다.
1. **배포 삭제** 대화 상자에서 **삭제**를 선택합니다.
이제 Canvas와 SageMaker AI 콘솔 모두에서 배포 및 SageMaker AI 호스팅 엔드포인트를 삭제해야 합니다.
# 자동화를 관리하는 방법
SageMaker Canvas에서는 데이터세트를 업데이트하거나 일정에 따라 모델에서 예측을 생성하는 자동화를 생성할 수 있습니다. 예를 들어 매일 새로운 배송 데이터를 받을 수 있습니다. 데이터세트의 자동 업데이트와 데이터세트가 업데이트될 때마다 실행되는 자동 배치 예측을 설정할 수 있습니다. 이러한 기능을 사용하면 자동화된 워크플로를 설정하고 수동으로 데이터세트를 업데이트하고 예측하는 데 소요되는 시간을 줄일 수 있습니다.
**참고**
Canvas 애플리케이션에서는 최대 20개의 자동 구성만 설정할 수 있습니다. 자동화는 Canvas 애플리케이션에 로그인한 상태에서만 활성화됩니다. Canvas에서 로그아웃하면 다시 로그인할 때까지 자동 작업이 일시 중지됩니다.
다음 섹션에서는 기존 자동화에 대한 구성을 보고 편집하고 삭제하는 방법을 설명합니다. 자동화를 설정하는 방법에 대한 자세한 내용은 다음 주제를 참조하세요.
+ 자동 데이터세트 업데이트를 설정하려면 [데이터세트 업데이트](canvas-update-dataset.md)을 참조하세요.
+ 자동 배치 예측을 설정하려면 [SageMaker Canvas의 배치 예측](canvas-make-predictions-batch.md)을 참조하세요.
**Topics**
+ [
# 자동화 보기
](canvas-manage-automations-view.md)
+ [
# 자동 구성 편집
](canvas-manage-automations-edit.md)
+ [
# 자동 구성 삭제
](canvas-manage-automations-delete.md)
# 자동화 보기
Canvas의 왼쪽 탐색 창으로 이동하여 **ML 운영**을 선택하여 모든 자동 업데이트 작업을 볼 수도 있습니다. **ML 운영** 페이지에는 자동 데이터세트 업데이트와 자동 배치 예측 모두에 대한 자동화가 결합되어 있습니다. **자동화** 페이지에서 다음 하위 탭을 볼 수 있습니다.
+ **모든 작업** - Canvas가 수행한 **데이터세트 업데이트** 또는 **배치 예측** 작업의 모든 인스턴스를 볼 수 있습니다. 각 작업에 대해 연결된 **입력 데이터세트**, 연결된 자동 업데이트 구성의 **구성 이름**, 작업의 성공 여부를 보여주는 **상태** 등의 필드를 볼 수 있습니다. 구성 이름을 기준으로 작업을 필터링할 수 있습니다.
+ 데이터세트 업데이트 작업의 경우 데이터세트의 최신 버전 또는 가장 최근 작업을 선택하여 데이터세트를 미리 볼 수 있습니다.
+ 배치 예측 작업의 경우 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택하여 해당 작업에 대한 예측을 미리 보거나 다운로드할 수 있습니다. **세부 정보 보기**를 선택하여 예측 작업에 대한 자세한 내용을 볼 수도 있습니다. 배치 예측 작업 세부 정보에 대한 자세한 내용은 [배치 예측 작업 보기](canvas-make-predictions-batch-auto-view.md) 섹션을 참조하세요.
+ **구성** - 생성한 모든 **데이터세트 업데이트** 및 **배치 예측** 구성을 볼 수 있습니다. 각 구성에서 관련 **입력 데이터세트** 및 작업 **빈도**와 같은 필드를 볼 수 있습니다. **자동 업데이트** 토글을 끄거나 켜서 자동 업데이트를 일시 중지하거나 다시 시작할 수도 있습니다. 특정 구성의 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택하면 해당 구성의 **모든 작업 보기**, **구성 업데이트** 또는 **구성 삭제**를 선택할 수 있습니다.
# 자동 구성 편집
구성을 설정한 후 구성을 변경할 수 있습니다. 자동 데이터세트 업데이트의 경우 데이터를 가져올 Canvas의 Amazon S3 위치, 업데이트 빈도, 시작 시간을 업데이트할 수 있습니다. 자동 배치 예측의 경우 구성이 업데이트를 위해 추적하는 데이터세트를 변경할 수 있습니다. 자동화를 끄고 업데이트를 재개하기로 선택할 때까지 업데이트를 일시적으로 일시 중지할 수도 있습니다.
다음 섹션에서는 각 구성 유형을 업데이트하는 방법을 보여줍니다.
**참고**
자동 배치 예측은 대상 데이터세트가 업데이트될 때마다 실행되므로 자동 배치 예측의 빈도를 변경할 수 없습니다.
**Topics**
+ [
# 자동 데이터 세트 업데이트 구성 수정
](canvas-manage-automations-edit-dataset.md)
+ [
# 자동 배치 예측 구성 편집
](canvas-manage-automations-edit-batch.md)
# 자동 데이터 세트 업데이트 구성 수정
업데이트 빈도 변경과 같이 데이터 세트의 자동 업데이트 구성을 변경하고자 할 수 있습니다. 자동 업데이트 구성을 꺼서 데이터 세트에 대한 업데이트를 일시 중지할 수도 있습니다.
데이터세트의 자동 업데이트 구성을 변경하려면 다음을 수행합니다.
1. Canvas의 왼쪽 탐색 창에서 **ML 운영**을 선택합니다.
1. **자동화** 탭을 선택합니다.
1. **구성** 탭을 선택합니다.
1. 자동 업데이트 구성의 경우 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택합니다.
1. 드롭다운 메뉴에서 **구성 업데이트**를 선택합니다. 데이터 세트의 **자동 업데이트** 탭으로 이동합니다.
1. 구성을 변경합니다. 변경 작업을 마치면 **저장**을 선택합니다.
데이터 세트 업데이트를 일시 중지하려면 자동 구성을 해제합니다. 자동 업데이트를 끄는 한 가지 방법은 다음과 같습니다.
1. Canvas의 왼쪽 탐색 창에서 **ML 운영**을 선택합니다.
1. **자동화** 탭을 선택합니다.
1. **구성** 탭을 선택합니다.
1. 목록에서 구성을 찾아 **자동 업데이트** 토글을 끕니다.
이제 데이터세트 자동 업데이트가 일시 중지되었습니다. 언제든지 이 토글을 다시 켜서 업데이트 일정을 재개할 수 있습니다.
# 자동 배치 예측 구성 편집
배치 예측 구성을 편집할 때 대상 데이터 세트는 변경할 수 있지만 빈도는 변경할 수 없습니다.데이터 세트가 업데이트될 때마다 자동 배치 예측이 발생하기 때문입니다.
자동 배치 예측 구성을 변경하려면 다음을 수행하세요.
1. Canvas의 왼쪽 탐색 창에서 **ML 운영**을 선택합니다.
1. **자동화** 탭을 선택합니다.
1. **구성** 탭을 선택합니다.
1. 자동 업데이트 구성의 경우 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택합니다.
1. 드롭다운 메뉴에서 **구성 업데이트**를 선택합니다. 데이터 세트의 **자동 업데이트** 탭으로 이동합니다.
1. **배치 예측 자동화** 대화 상자가 열립니다. 다른 데이터 세트를 선택하고 **설정**을 선택하여 변경 내용을 저장할 수 있습니다.
이제 자동 배치 예측 구성이 업데이트되었습니다.
자동 배치 예측을 일시 중지하려면 자동 구성을 끄세요. 다음 절차에 따라 구성을 끕니다.
1. Canvas의 왼쪽 탐색 창에서 **ML 운영**을 선택합니다.
1. **자동화** 탭을 선택합니다.
1. **구성** 탭을 선택합니다.
1. 목록에서 구성을 찾아 **자동 업데이트** 토글을 끕니다.
이제 데이터세트에 대한 자동 배치 예측이 일시 중지되었습니다. 언제든지 이 토글을 다시 켜서 업데이트 일정을 재개할 수 있습니다.
# 자동 구성 삭제
구성을 삭제하여 SageMaker Canvas에서 자동화된 워크플로를 중지할 수 있습니다.
자동 데이터세트 업데이트 또는 자동 배치 예측에 대한 구성을 삭제하려면 다음을 수행하세요.
1. Canvas의 왼쪽 탐색 창에서 **ML 운영**을 선택합니다.
1. **자동화** 탭을 선택합니다.
1. **구성** 탭을 선택합니다.
1. 자동 업데이트 구성을 찾아 **추가 옵션** 아이콘(![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png))을 선택합니다.
1. **구성 삭제**를 선택합니다.
1. 표시되는 대화 상자에서 **삭제**를 선택합니다.
이제 자동 업데이트 구성이 삭제되었습니다.