추천 모델 학습

주어진 데이터를 바탕으로 추천 시스템을 학습시킵니다.

입력포트

• 데이터셋

• 미학습 추천 모델

출력 포트

• 학습된 모델

설명

추천 SVD++, 추천 베이스라인 등을 학습 알고리즘으로 사용할 수 있습니다.

설정

1. 사용자 열 이름 선택 사용자의 식별자가 들어있는 열을 선택합니다.

2. 아이템 열 이름 선택 사용자가 평점을 남긴 아이템이 들어있는 열을 선택합니다.

3. 평점 열 이름 선택 평점이 들어있는 열을 선택합니다.

4. 학습 방법 선택

   • 단순 학습 : 주어진 데이터를 모델의 학습을 위한 학습 데이터, 모델의 성능을 평가하기 위한 테스트 데이터로 나눕니다. 전체 데이터를 학습에 사용하고, 학습된 모델의 성능을 평가하기 위해 테스트 데이터를 사용합니다. 데이터를 학습 데이터와 테스트 데이터로 나눌 때, 일반적으로 일정 비율(예: 70% 학습, 30% 테스트)로 분할합니다. 이는 간단하고 빠르게 모델을 학습하고 평가할 수 있지만, 데이터 분할에 따라 모델의 성능이 달라질 수 있는 단점이 있습니다.

   • k-fold 교차 검증, k-fold의 k값 설정 : 데이터를 K개의 폴드(fold)로 나누어 모델 학습과 성능 평가를 수행합니다. 전체 데이터를 K개의 폴드로 나누고, K번의 반복을 수행합니다. 각 반복에서는 K-1개의 폴드를 학습 데이터로 사용하고, 남은 1개의 폴드를 테스트 데이터로 사용하여 모델의 성능을 평가합니다. 이 과정을 K번 반복하여 모든 폴드가 한 번씩 테스트 데이터로 사용되고, 모델의 성능은 K번의 평가 결과를 평균내어 얻습니다. K-fold 교차 검증은 단순 학습보다 안정적이고 신뢰할 수 있는 성능 평가를 제공합니다.

   • 그리드 서치를 통한 하이퍼파라미터 튜닝 : 그리드 서치는 모든 가능한 하이퍼파라미터 조합을 탐색해 모델을 학습하고 검증하고 모델의 성능을 최적화합니다. 그리드 서치는 모든 하이퍼파라미터 조합을 시도하기 때문에 탐색 범위가 큰 경우에는 비효율적일 수 있지만, 탐색 범위가 작을 때는 간단하고 효과적인 방법이 될 수 있습니다.

예제