추천 모델 학습

추천 시스템 알고리즘을 사용하여 사용자-아이템 평점 데이터를 학습하는 노드입니다.

설명

추천 모델 학습 노드는 미학습 추천 모델(추천 SVD++, 추천 베이스라인 등)과 평점 데이터셋을 입력받아 학습된 추천 모델을 생성합니다.

사용자의 과거 평점 패턴을 학습하여 사용자가 평가하지 않은 아이템에 대한 선호도를 예측할 수 있는 모델을 만듭니다.

학습된 모델은 일괄 예측 노드에 연결하여 새로운 사용자-아이템 조합에 대한 예상 평점을 계산할 수 있습니다.

사용자의 고유 식별자가 들어있는 열을 선택합니다.

각 사용자를 구분할 수 있는 ID가 포함된 열입니다 (예: 사용자ID, user_id).

사용자가 평점을 남긴 아이템(제품, 영화 등)이 들어있는 열을 선택합니다.

각 아이템을 구분할 수 있는 ID가 포함된 열입니다 (예: 영화ID, 제품ID).

사용자가 아이템에 부여한 평점이 들어있는 열을 선택합니다.

평점은 일반적으로 숫자 값입니다 (예: 1-5점, 1-10점).

모델 학습 및 평가 방법을 선택합니다.

단순 학습: 데이터를 학습/테스트로 분할 (예: 70%/30%)
- 빠르고 간단하게 학습 가능
- 데이터 분할에 따라 성능이 달라질 수 있음
k-fold 교차 검증: 데이터를 K개 폴드로 나누어 K번 반복 학습
- 전체 데이터를 K개로 나누고, 각 반복에서 K-1개는 학습용, 1개는 테스트용으로 사용
- 모든 폴드가 한 번씩 테스트 데이터로 사용됨
- K번의 평가 결과를 평균하여 안정적이고 신뢰할 수 있는 성능 평가 제공
그리드 서치를 통한 하이퍼파라미터 튜닝: 모든 하이퍼파라미터 조합 탐색
- 각 하이퍼파라미터의 후보값을 정의하고, 모든 조합을 시도하여 최적 모델 선택
- 탐색 범위가 작을 때: 간단하고 효과적
- 탐색 범위가 클 때: 계산 비용이 높을 수 있음