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

# XGBoost 모델 튜닝
<a name="xgboost-tuning"></a>

자동 모델 튜닝, 하이퍼파라미터 튜닝이라고도 하며, 훈련과 검증 데이터 세트에 대한 광범위한 하이퍼파라미터를 테스트하는 여러 작업을 실행하여 최적의 모델 버전을 찾습니다.** 세 가지 유형의 하이퍼파라미터를 선택합니다.
+ 모델 훈련 중에 최적화하는 학습 `objective` 함수
+ 검증 중에 모델 성능을 평가하는 데 사용하는 `eval_metric`
+ 모델을 자동으로 튜닝할 때 사용하기 쉬운 하이퍼파라미터 세트와 일정한 범위의 값

알고리즘이 계산하는 평가 지표 집합에서 평가 지표를 선택합니다. 자동 모델 튜닝은 선택한 하이퍼파라미터를 검색하여 평가 지표를 최적화하는 모델을 만드는 값 조합을 찾습니다.

**참고**  
XGBoost 0.90의 자동 모델 튜닝은 SageMaker AI 콘솔이 아닌 Amazon SageMaker SDK에서만 사용할 수 있습니다.

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

## XGBoost 알고리즘으로 계산되는 평가 지표
<a name="xgboost-metrics"></a>

XGBoost 알고리즘은 모델 검증에 사용할 다음 지표를 계산합니다. 모델을 튜닝할 때 모델을 평가하려면 이러한 지표 중 하나를 선택합니다. 유효한 `eval_metric` 값의 전체 목록은 [XGBoost 학습 작업 파라미터](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst#learning-task-parameters)를 참조하세요.


| 지표 이름 | 설명 | 최적화 방향 | 
| --- | --- | --- | 
| validation:accuracy |  분류 비율은 \$1(오른쪽)/\$1(모든 경우)로 계산됩니다.  |  최대화  | 
| validation:auc |  곡선 아래 면적  |  최대화  | 
| validation:error |  바이너리 분류 오류율, 잘못된 케이스 수를 모든 케이스 수로 나눠 계산됩니다.  |  최소화  | 
| validation:f1 |  분류 정확도의 지표로, 고조파 정밀도 및 리콜 평균으로 계산됩니다.  |  최대화  | 
| validation:logloss |  네거티브 로그 가능도  |  최소화  | 
| validation:mae |  평균 절대 오차  |  최소화  | 
| validation:map |  평균 정밀도  |  최대화  | 
| validation:merror |  멀티클래스 분류 오류율, 잘못된 케이스 수를 모든 케이스 수로 나눠 계산됩니다.  |  최소화  | 
| validation:mlogloss |  멀티클래스 분류를 위한 네거티브 로그 가능도  |  최소화  | 
| validation:mse |  평균 제곱 오차.  |  최소화  | 
| validation:ndcg |  정규화된 할인 누적 이득  |  최대화  | 
| validation:rmse |  평균 제곱근 오차  |  최소화  | 

## 튜닝 가능한 XGBoost 하이퍼파라미터
<a name="xgboost-tunable-hyperparameters"></a>

다음 하이퍼파라미터를 사용하여 XGBoost 모델을 튜닝합니다. XGBoost 평가 지표를 최적화하는데 가장 큰 영향을 미치는 하이퍼파라미터는 `alpha`, `min_child_weight`, `subsample`, `eta` 및 `num_round`입니다.


| 파라미터 이름 | 파라미터 유형 | 권장 범위 | 
| --- | --- | --- | 
| alpha |  ContinuousParameterRanges  |  MinValue: 0, MaxValue: 1000  | 
| colsample\$1bylevel |  ContinuousParameterRanges  |  MinValue: 0.1, MaxValue: 1  | 
| colsample\$1bynode |  ContinuousParameterRanges  |  MinValue: 0.1, MaxValue: 1  | 
| colsample\$1bytree |  ContinuousParameterRanges  |  MinValue: 0.5, MaxValue: 1  | 
| eta |  ContinuousParameterRanges  |  MinValue: 0.1, MaxValue: 0.5  | 
| gamma |  ContinuousParameterRanges  |  MinValue: 0, MaxValue: 5  | 
| lambda |  ContinuousParameterRanges  |  MinValue: 0, MaxValue: 1000  | 
| max\$1delta\$1step |  IntegerParameterRanges  |  [0, 10]  | 
| max\$1depth |  IntegerParameterRanges  |  [0, 10]  | 
| min\$1child\$1weight |  ContinuousParameterRanges  |  MinValue: 0, MaxValue: 120  | 
| num\$1round |  IntegerParameterRanges  |  [1, 4000]  | 
| subsample |  ContinuousParameterRanges  |  MinValue: 0.5, MaxValue: 1  |