기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# DeepAR 모델 튜닝
<a name="deepar-tuning"></a>

하이퍼파라미터 튜닝이라고도 하는 자동 모델 튜닝은 데이터세트에 대한 광범위한 하이퍼파라미터를 테스트하는 여러 작업을 실행하여 최적의 모델 버전을 찾습니다.** 튜닝 가능한 하이퍼파라미터, 각 하이퍼파라미터에 대한 값 범위 및 목표 지표를 선택합니다. 알고리즘에서 계산하는 지표 중에서 목표 지표를 선택합니다. 자동 모델 튜닝은 선택한 하이퍼파라미터를 검색하여 목표 지표를 최적화하는 모델을 만드는 값 조합을 찾습니다.

모델 튜닝에 대한 추가 정보는 [SageMaker AI로 자동 모델 튜닝](automatic-model-tuning.md) 섹션을 참조하세요.

## DeepAR 알고리즘으로 계산되는 지표
<a name="deepar-metrics"></a>

DeepAR 알고리즘은 3가지 지표를 보고하며, 이러한 지표는 훈련 중 계산됩니다. 모델을 튜닝할 때 이러한 지표 중 하나를 목표로 선택합니다. 목표 지표에는 제공된 test 채널(권장) 또는 훈련 손실에 대한 예상 정확도를 사용합니다. DeepAR 알고리즘에 대한 훈련/테스트 분할에 대한 권장 사항은 [DeepAR 알고리즘 사용의 모범 사례](deepar.md#deepar_best_practices) 섹션을 참조하세요.


| 지표 이름 | 설명 | 최적화 방향 | 
| --- | --- | --- | 
| test:RMSE | 테스트 세트에 대해 계산된 실제 대상 값과 예상 값 사이의 평균 제곱근 오차 | 최소화 | 
| test:mean\_wQuantileLoss | 테스트 세트에 대해 계산된 평균 분위 손실. 사용되는 분위를 제어하려면 `test_quantiles` 하이퍼파라미터를 설정합니다. | 최소화 | 
| train:final\_loss | 모델에 대한 마지막 훈련 epoch에 대해 평균적으로 산출된 훈련 음수의 로그 가능도(log-likelihood) | 최소화 | 

## DeepAR 알고리즘에 대한 튜닝 가능한 하이퍼파라미터
<a name="deepar-tunable-hyperparameters"></a>

다음 하이퍼파라미터를 사용하여 DeepAR 모델을 튜닝합니다. DeepAR 목표 지표에 가장 큰 영향을 미치는 하이퍼파라미터는 `epochs`, `context_length`, `mini_batch_size`, `learning_rate` 및 `num_cells`이며, 가장 큰 영향을 미치는 순서로 나열되어 있습니다.


| 파라미터 이름 | 파라미터 유형 | 권장 범위 | 
| --- | --- | --- | 
| epochs | `IntegerParameterRanges` | MinValue: 1, MaxValue: 1000 | 
| context\_length | `IntegerParameterRanges` | MinValue: 1, MaxValue: 200 | 
| mini\_batch\_size | `IntegerParameterRanges` | MinValue: 32, MaxValue: 1028 | 
| learning\_rate | `ContinuousParameterRange` | MinValue: 1e-5, MaxValue: 1e-1 | 
| num\_cells | `IntegerParameterRanges` | MinValue: 30, MaxValue: 200 | 
| num\_layers | `IntegerParameterRanges` | MinValue: 1, MaxValue: 8 | 
| dropout\_rate | `ContinuousParameterRange` | MinValue: 0.00, MaxValue: 0.2 | 
| embedding\_dimension | `IntegerParameterRanges` | MinValue: 1, MaxValue: 50 |