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

# 사용자 지정 모델
<a name="canvas-custom-models"></a>

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<br />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.