기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # SageMaker AI XGBoost 사용 방법 SageMaker AI를 사용하면 XGBoost를 내장된 알고리즘 또는 프레임워크로 사용할 수 있습니다. XGBoost를 프레임워크로 사용할 때 고유한 훈련 스크립트를 사용자 지정할 수 있으므로 고급 시나리오에 더 유연하게 액세스할 수 있습니다. 다음 섹션에서는 SageMaker Python SDK와 함께 XGBoost를 사용하는 방법과 XGBoost 알고리즘의 입력/출력 인터페이스를 설명합니다. Amazon SageMaker Studio Classic UI에서 XGBoost를 사용하는 방법에 대한 자세한 내용은 [SageMaker JumpStart 사전 훈련된 모델](studio-jumpstart.md) 섹션을 참조하세요. **Topics** + [XGBoost를 프레임워크로 사용](#xgboost-how-to-framework) + [XGBoost를 내장 알고리즘으로 사용](#xgboost-how-to-built-in) + [XGBoost 알고리즘에 대한 입력/출력 인터페이스](#InputOutput-XGBoost) ## XGBoost를 프레임워크로 사용 XGBoost를 프레임워크로 사용하여 추가 데이터 처리를 훈련 작업에 통합할 수 있는 사용자 지정 훈련 스크립트를 실행합니다. 다음 코드 예제에서 SageMaker Python SDK는 XGBoost API를 프레임워크로 제공합니다. 이 기능은 SageMaker AI가 TensorFlow, MXNet 및 PyTorch 같은 다른 프레임워크 API를 제공하는 방식과 비슷합니다. ``` import boto3 import sagemaker from sagemaker.xgboost.estimator import XGBoost from sagemaker.session import Session from sagemaker.inputs import TrainingInput # initialize hyperparameters hyperparameters = { "max_depth":"5", "eta":"0.2", "gamma":"4", "min_child_weight":"6", "subsample":"0.7", "verbosity":"1", "objective":"reg:squarederror", "num_round":"50"} # set an output path where the trained model will be saved bucket = sagemaker.Session().default_bucket() prefix = 'DEMO-xgboost-as-a-framework' output_path = 's3://{}/{}/{}/output'.format(bucket, prefix, 'abalone-xgb-framework') # construct a SageMaker AI XGBoost estimator # specify the entry_point to your xgboost training script estimator = XGBoost(entry_point = "{{your_xgboost_abalone_script.py}}", framework_version='{{1.7-1}}', hyperparameters=hyperparameters, role=sagemaker.get_execution_role(), instance_count=1, instance_type='ml.m5.2xlarge', output_path=output_path) # define the data type and paths to the training and validation datasets content_type = "libsvm" train_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'train'), content_type=content_type) validation_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'validation'), content_type=content_type) # execute the XGBoost training job estimator.fit({'train': train_input, 'validation': validation_input}) ``` SageMaker AI XGBoost를 프레임워크로 사용하는 전체 예시는 [Amazon SageMaker AI XGBoost를 사용한 회귀](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/xgboost_abalone/xgboost_abalone_dist_script_mode.html)를 참조하세요. ## XGBoost를 내장 알고리즘으로 사용 XGBoost 기본 제공 알고리즘을 사용하여 다음 코드 예제와 같이 XGBoost 훈련 컨테이너를 빌드합니다. SageMaker AI `image_uris.retrieve` API를 사용하여 XGBoost 내장된 알고리즘 이미지 URI를 자동으로 찾을 수 있습니다. [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) 버전 1을 사용하는 경우 `get_image_uri` API를 사용합니다. `image_uris.retrieve` API가 올바른 URI를 찾도록 하려면 [기본 제공 알고리즘 에 대한 공통 파라미터](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-algo-docker-registry-paths.html)를 참조하세요. 그런 다음 기본 제공 알고리즘 이미지 URI 및 사용 가능한 리전의 `xgboost` 전체 목록에서 조회합니다. XGBoost 이미지 URI를 지정한 후 XGBoost 컨테이너를 사용하여 SageMaker AI Estimator API를 사용하는 예측기를 구성하고 훈련 작업을 시작할 수 있습니다. 이 XGBoost 기본 제공 알고리즘 모드는 고유한 XGBoost 훈련 스크립트를 통합하지 않으며 입력 데이터세트에서 직접 실행됩니다. **중요** SageMaker AI XGBoost 이미지 URI를 검색할 때 이미지 URI 태그에는 `:latest` 또는 `:1`을 사용하지 마세요. 사용하려는 네이티브 XGBoost 패키지 버전이 포함된 SageMaker AI 관리 XGBoost 컨테이너를 선택하려면 [지원되는 버전](xgboost.md#xgboost-supported-versions) 중 하나를 지정해야 합니다. SageMaker AI XGBoost 컨테이너로 마이그레이션된 패키지 버전을 찾으려면 [Docker Registry Paths and Example Code](https://docs.aws.amazon.com/sagemaker/latest/dg-ecr-paths/sagemaker-algo-docker-registry-paths.html) 섹션을 참조하세요. 그런 다음 AWS 리전를 선택하고 **XGBoost(알고리즘)** 섹션으로 이동합니다. ``` import sagemaker import boto3 from sagemaker import image_uris from sagemaker.session import Session from sagemaker.inputs import TrainingInput # initialize hyperparameters hyperparameters = { "max_depth":"5", "eta":"0.2", "gamma":"4", "min_child_weight":"6", "subsample":"0.7", "objective":"reg:squarederror", "num_round":"50"} # set an output path where the trained model will be saved bucket = sagemaker.Session().default_bucket() prefix = 'DEMO-xgboost-as-a-built-in-algo' output_path = 's3://{}/{}/{}/output'.format(bucket, prefix, 'abalone-xgb-built-in-algo') # this line automatically looks for the XGBoost image URI and builds an XGBoost container. # specify the repo_version depending on your preference. xgboost_container = sagemaker.image_uris.retrieve("xgboost", region, "{{1.7-1}}") # construct a SageMaker AI estimator that calls the xgboost-container estimator = sagemaker.estimator.Estimator(image_uri=xgboost_container, hyperparameters=hyperparameters, role=sagemaker.get_execution_role(), instance_count=1, instance_type='ml.m5.2xlarge', volume_size=5, # 5 GB output_path=output_path) # define the data type and paths to the training and validation datasets content_type = "libsvm" train_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'train'), content_type=content_type) validation_input = TrainingInput("s3://{}/{}/{}/".format(bucket, prefix, 'validation'), content_type=content_type) # execute the XGBoost training job estimator.fit({'train': train_input, 'validation': validation_input}) ``` XGBoost를 기본 제공 알고리즘으로 설정하는 방법에 대한 자세한 내용은 다음 노트북 예제를 참조하세요. + [XGBoost를 위한 관리형 스팟 훈련](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/xgboost_abalone/xgboost_managed_spot_training.html) + [Amazon SageMaker AI XGBoost를 사용한 회귀(Parquet 입력)](https://sagemaker-examples.readthedocs.io/en/latest/introduction_to_amazon_algorithms/xgboost_abalone/xgboost_parquet_input_training.html) ## XGBoost 알고리즘에 대한 입력/출력 인터페이스 그라디언트 부스팅은 테이블형 데이터에서 작동합니다. 행은 관측치를 나타내고 1개 열은 대상 변수 또는 레이블을 나타내며, 나머지 열은 특징을 나타냅니다. SageMaker AI의 XGBoost 구현은 훈련 및 추론을 위해 다음 데이터 형식을 지원합니다. + *text/libsvm*(기본값) + *text/csv* + *application/x-parquet* + *application/x-recordio-protobuf* **참고** 훈련 및 추론 입력과 관련하여 알아두어야 할 몇 가지 고려 사항이 있습니다. 성능을 높이려면 Amazon S3의 데이터가 훈련 인스턴스 볼륨에 저장되는 *파일 모드*와 함께 XGBoost를 사용하는 것이 좋습니다. 열 형식 입력값을 사용한 훈련의 경우, 알고리즘은 대상 변수(label) 가 첫 번째 열이라고 가정합니다. 추론의 경우 알고리즘은 입력에 레이블 열이 없다고 추정합니다. CSV 데이터의 경우 입력값에 헤더 레코드가 없어야 합니다. LIBSVM 훈련의 경우 알고리즘은 레이블 열 뒤의 후속 열에 기능에 대한 0부터 시작하는 인덱스 값 쌍이 포함되어 있다고 가정합니다. 그래서 각 행은