758522_ko-KR

liliconcom

JMP Pro용 XGBoost 추가 기능(2020-US-45MP-540)

Russ Wolfinger, 과학적 발견 및 유전체학 책임자, JMP 저명 연구원
JMP 수석 제품 관리자 Mia Stephens

JMP Pro용 XGBoost 애드인은 극한 경사 부스팅 트리를 사용한 예측 모델링을 위해 인기 있는 XGBoost 오픈소스 라이브러리에 포인트 앤 클릭 인터페이스를 제공합니다. 다음과 같은 부가 기능이 제공됩니다.

• 폴드 외부 예측을 사용한 반복적인 k-폴드 교차 검증 및 최적화된 k-폴드 검증 열을 생성하기 위한 별도의 루틴

• 한 번의 실행에서 여러 Y 응답을 맞추는 기능

• JMP 실험 설계(DOE)를 통한 자동화된 매개변수 검색 빠르고 유연한 충전 설계

• 대화형 그래픽 및 통계 출력

• 모델 비교 인터페이스

• 재현성을 위한 JMP 스크립팅 언어(JSL) 및 Python 코드의 프로파일링 내보내기

위 링크를 클릭하여 튜토리얼에 나오는 저널과 보충 자료가 포함된 zip 파일을 다운로드하세요. 영상에서는 XGBoost가 예측 모델링 메뉴에 표시되지만, 애드인을 설치하면 애드인 메뉴에 나타납니다. 보기 > 사용자 지정 > 메뉴 및 도구 모음을 사용하여 원하는 대로 메뉴를 사용자 지정할 수 있습니다.

추가 기능은 여기에서 사용할 수 있습니다: JMP Pro용 XGBoost 추가 기능

자동 생성된 대본...

스피커	성적 증명서
러스 울핑거	좋아요. 안녕하세요 여러분.
	노스캐롤라이나 주 홀리 스프링스에 있는 저의 집에 오신 것을 환영합니다.
	코로나19의 광란 속에서 온라인으로 가상 컨퍼런스를 진행하는 것은 다소 새로운 경험이지만 오늘 여러분과 대화하고 JMP Pro에 새롭게 추가된 기능에 대한 튜토리얼을 제공하게 되어 매우 기쁩니다.
	인기 있는 XGBoost 기능을 구현합니다.
	그래서 오늘 이 튜토리얼에서는 저희가 준비한 것들을 소개해 드리겠습니다. 제가 준비한 것은 JMP 저널입니다.
	컨퍼런스 자료에서 확인하실 수 있습니다. 직접 따라가고 싶으시다면, 제가 여러분께 권해드리고 싶은 것은,
	지금 당장 영상을 멈추고 컨퍼런스 자료로 가서 이 저널을 받아보세요. JMP Pro에서 직접 열어보실 수 있습니다.
	그리고 설치 링크도 있습니다. 애드인을 설치해야 하는데, 그걸 설치하면 제가 여기서 하는 모든 것을 집에서 똑같이 재현할 수 있고, 여러분도 직접 해보실 수 있습니다. 그러니 가능하면 그렇게 하시는 걸 추천합니다.
	제 강아지 찰리도 있어요. 저기 뒤에 있어요. 걔가 뭔가 민망한 짓 하지 않았으면 좋겠어요. 지금은 별로 신나 보이지 않지만, 저만큼이나 XGBoost를 좋아하거든요. 자, 이제 본격적으로 시작해 볼까요?
	XGBoost는 꽤 오랫동안 사용되어 온 놀라운 오픈소스 C++ 라이브러리입니다.
	그리고 원래 이론은 실제로 90년대에 몇몇 유명한 통계학자에 의해 이루어졌지만, 워싱턴 대학 팀이 그 아이디어를 받아들여 실행에 옮겼습니다.
	그리고...제 생각에 그것이 진짜로 진가를 발휘한 것은 몇몇 Kaggle 경연대회에서였습니다.
	시작은...사람들이 사용하기 시작하고 출시되자, 문자 그대로 Kaggle이 지난 몇 년 동안 운영한 모든 테이블형 경쟁에서 우승하기 시작했습니다.
	그리고 실제로 온라인에는 수백 개의 예가 있으니, 검색해 보면 찾을 수 있을 겁니다.
	그래서 저는 이것을 지금 당장 전 세계에서 가장 인기 있고 아마도 가장 강력한 표형 데이터 예측 모델링 방법론이라고 봅니다.
	물론 경쟁자도 있고 특정 데이터 세트에 따라 약간의 차이가 보일 수도 있지만 전반적으로 보면 매우 인상적입니다.
	사실, 현재 마이크로소프트의 LightGBM과 얀덱스의 Catboost와 매우 유사한 기능을 제공하는 경쟁 패키지들이 있습니다. 오늘은 자세히 다루지 않겠지만, 꽤 비슷합니다.
	음, 오늘은 시간이 별로 없으니 동기에 대해 장황하게 설명하고 싶지는 않네요. 하지만 다시 말씀드리지만, 더 자세히 살펴보고 싶으시다면 이 일기를 참고하세요.
	제가 드리고 싶은 것은 이 저널의 하이라이트를 알려드리고, 특히 몇 가지 실제 시연을 보여드려서 여기에 무엇이 있는지 알려드리는 것입니다.
	그러면 시간이 지남에 따라 자유롭게 탐색하고 직접 시도해 볼 수 있습니다. 필요한 것은... 제대로 작동하는 JMP Pro 15가 필요합니다.
	가장 빠른 시일 내에 JMP 16 얼리 어답터를 손에 넣을 수 있다면 공식 JMP 16은 내년 2021년까지 출시되지 않습니다.
	하지만 지금 얼리 어답터 버전을 구매하실 수 있으며, 저희는 해당 버전을 개선하고 있습니다. 따라서 최신 JMP 16 Pro 얼리 어답터를 구매하시는 것을 권장합니다.
	이 추가 기능의 최신 기능을 사용하려면... 이 기능을 사용하려면... JMP Pro를 위한 새로운 프레임 설정이 필요합니다. 좀 특이한데요.
	XGBoost C++ API를 통합하기 위해 Pro 내에서 많은 C++ 코드를 작성했습니다. 그래서 대부분의 작업을 C++로 진행합니다.
	하지만 이와 함께 제공되는 추가 기능이 있는데, 동적 라이브러리를 설치하고 약간의 메뉴 업데이트를 해주기 때문에 Pro가 필요하고 추가 기능도 설치해야 실행할 수 있습니다.
	가능하다면 JMP 16 Pro 얼리 어답터를 구매하여 최신 기능을 받아보세요. 오늘 제가 보여드릴 내용은 바로 그것입니다.
	자, 바로 예시를 들어볼까요? 이건 방금 제 눈에 들어온 아주 새로운 예시인데요. 아주 흥미로운 이야기가 숨어 있어요.
	이 데이터를 연구한 사람은 하이비메 에바리토 교수입니다. 그는 환경 과학자이자 박사 학위 소지자이며, 교수이자 조교수입니다.
	현재 네덜란드 위트레흐트 대학교에 재직 중이신 그는 이 데이터와 그 배경에 있는 이야기를 자신의 허락 하에 친절히 제공해 주셨습니다. 이 데이터로 인해 다소 혼란스러워하시는 다른 분들께 도움을 드리고자 합니다. 저는 그의 동료인 제프리 맥도넬에게 이 데이터를 제공했습니다.
	이 모든 데이터를 수집했습니다. 이것들은 데이터입니다. 목적은 전 세계 벌채 지역의 하천 유출량을 연구하는 것입니다.
	그리고 보시다시피 여기에는 163개의 장소가 있는데, 그 중 절반은 미국에 있고 나머지 절반은 전 세계에 있습니다. 수집이 가능했을 때 다른 장소들이 있었습니다.
	나무가 제거된 지역에서 몇 가지 중요한 측정을 수행했습니다.
	유출수에 무슨 일이 일어났는지에 대한 관점에서 말입니다. 이런 종류의 연구는 나무 개간과 삼림 벌채가 환경에 미치는 영향, 그리고 기후 변화를 연구하는 데 매우 중요하기 때문에 시의적절하다고 생각합니다.
	그리고 당시 Jaivime에게 다행이었던 것은 세계 최고의 과학 저널 중 하나인 Nature 저널에 논문을 게재할 수 있었다는 것입니다.
	그가 그 논문을 쓸 수 있도록 경험을 쌓게 해 주었습니다. 안타깝게도 그 다음에 일어난 일은, 경쟁 연구실에서 이 논문에서 그들이 한 일을 매우 비판적으로 바라보는 상황이었습니다.
	그리고 많은 논의와 논쟁 끝에 결국 논문은 철회되었습니다.
	Jaivime에게는 분명 정말 힘든 경험이었을 거예요. 그는 정말 너그러우셨고, 자신의 이야기와 희망을 공유해 주셨어요.
	이런 일을 피하려고요. 그리고 이 논란의 근본 원인은 여러 가지가 있었지만, 비평가들의 주된 불만은 바로...
	부스트 트리 분석을 했을 수도 있습니다. 꽤 간단한 모델이죠. 예측 변수가 몇 개밖에 없는데, 각각 중요하긴 하지만, 그들의 주요 목표 중 하나는 어떤 변수가 가장 중요한지 파악하는 것이었습니다.
	그는 단일 홀드아웃 검증 세트를 사용하여 부스트 트리 모델을 실행했고 약 0.7의 검증 홀드율을 발표했습니다. 모든 것이 괜찮아 보였습니다.
	하지만 비평가들이 나타나서 다른 홀드 아웃 세트로 데이터를 다시 분석했고 검증 홀드 아웃 R 제곱을 얻었습니다.
	0.1 미만입니다. 정말 큰 변화죠. 0.7에서 0.1 미만으로 줄었고, 이게 사용되었는데, 비평가들은 이걸 정말 맹렬히 비난하며 무슨 일이 일어나고 있는지 제대로 된 평가를 내리지 않으려고 했습니다.
	자, 하이비메, 이 시점에서, 하이비메, 이 일은 작년에 일어났고 그 논문은 2020년에 일찍 철회되었습니다...
	Jaivime은 이번 여름에 나에게 데이터를 공유했고 내 생각은 좀 더 엄격한 교차 검증 분석을 수행하고 실제로 반복적인 K 폴드를 수행하는 것이었습니다.
	두 명의 다른 저항 세력 사이의 불일치의 근본 원인을 파악하기 위해 단 한 명의 저항 세력만 고집하는 대신, 제가 한 일은 새로운 루틴을 만드는 것입니다.
	XGBoost 추가 기능과 함께 제공되는 K-fold 열을 생성하는 함수입니다. 여기 데이터 세트를 보시면 제가 직접 생성한 것을 확인하실 수 있습니다. 시간 관계상 자세한 방법은 다루지 않겠습니다. 하지만
	이제 "Make K fold columns"라는 제목이 있는 새로운 모듈이 있어서 이 작업을 할 수 있습니다. 저는 계층화 방식으로 작업했는데, 흥미롭게도 이 모듈은 JMP DOE를 사용합니다.
	이렇게 하면 실제로 직교하는 폴드를 만들 수 있다는 장점이 있는데, 이는 그리 흔한 일은 아닙니다. 자, 간단한 분포를 살펴보겠습니다.
	이게 Jaivime이 원래 했던 홀드아웃 세트였고, 계층화도 했는데, 반응이 좀 편향된 편이라 좋은 생각이라고 생각합니다. 그리고 이게 비평가가 사용한 홀드아웃 세트였습니다.
	그리고 제가 결국 사용한 접기 방식은 다음과 같습니다. 세 가지 다른 방식을 시도해 봤습니다. 그리고 제가 여기서 강조하고 싶은 점은 이 접기 방식이 꽤 직교한다는 것입니다.
	여기서 우리는 세 개의 직교 집합을 사용하여 세 번 별도로 K 폴드를 수행하여 최대 정보 이득을 얻습니다.
	그래서 그는 이미 부스트된 트리를 사용하고 있었기 때문에 다음으로 시도해 볼 것은 XGBoost 추가 기능이었습니다. 그래서 저는 이 데이터 세트에 대해 알게 되어 정말 기뻤고 여기서 이야기할 수 있어서 기뻤습니다.
	자, 무슨 일이 일어났는지... 여기서 또 다른 분석을 해 볼게요. 검증 세트에 대해 단방향 분석을 하고 있는데, 제가 놓친 게 바로 반응값, 즉 물 생산량이 수정된 거였어요.
	그리고 저는 그것을 검증 세트와 비교해서 플로팅하고 있습니다. Jaivime이 그의 훈련 세트에서
	상위 4~5개 측정값 중 상위가 모두 훈련 세트에 포함되었는데, 이것이 문제의 근원이라고 생각합니다.
	반면, 비평가 세트에서는... 균형 잡히고, 조금 더 나아졌고, 특히 최악이었던 점은... 가장 높은 점수를 받은 위치가 검증 세트에 있었다는 점입니다. 이는 학습을 진행하는 다른 어떤 것보다 더 큰 오차를 발생시키기 때문에 자연스러운 오류의 원인입니다.
	저는 이 경우 K 폴드, 즉 K 폴드 유형의 분석이 단일 홀드아웃 세트를 수행하는 것보다 더 설득력이 있다고 생각합니다.
	저는 이 두 단일 보유 세트 모두에 약간의 편향이 있고 계층화하고 물건을 분배하는 더 많은 접기를 하는 것이 더 낫다고 주장하고 싶습니다.
	매번 다르게 적용한 후 여러 번 적용한 후 어떤 결과가 나오는지 확인해 보세요. 제가 만든 폴드가 분포 측면에서 어떻게 보이는지 확인할 수 있습니다. 이제 XGBoost를 실행해 보겠습니다.
	따라서 추가 기능에는 실제로 많은 기능이 있으며 오늘은 여러분을 압도하고 싶지는 않지만 다시 한번 말씀드리지만 따라가려고 한다면 영상을 잠시 멈추고 따라가시기를 권장합니다.
	확실히 하기 위해서요. 하지만 여기서는 스크립트를 실행했습니다. 그리고 저널의 모든 항목에는... JMP 테이블이 있어서 스크립트를 저장할 수 있습니다. 그래서 여기서는 그 스크립트에서 XGBoost를 실행했습니다.
	예를 들어, 메뉴에서 바로 다시 실행해 보겠습니다. 이렇게 하시는 게 좋을 것 같습니다. 추가 기능을 설치하면,
	예측 모델링을 누르고 XGBoost를 누르세요. 바로 여기 예측 모델링 메뉴에 추가했습니다. 설정 방법은 다음과 같습니다.
	응답을 지정하는 것입니다. Y가 있습니다. 예측 변수는 7개인데, 여기에 x로 입력하고, 각 변수의 폴드 열과 검증을 입력합니다.
	여기서 JMP Pro를 사용해 본 경험이 있는 분들에게 말씀드리고 싶은 것은 XGBoost가 다른 JMP 플랫폼과는 약간 다른 방식으로 검증 열을 처리한다는 것입니다.
	지금은 일종의 실험적 프레임워크이지만, 제 경험에 따르면 반복적인 K 폴드가 매우 매력적인 방법이라고 생각하며 이를 쉽게 만들기 위해 추가 기능을 설정하고 싶었습니다.
	그리고 여기서 유틸리티로 만든 폴드 열을 다시 넣고, XGBoost가 여기서처럼 지정하기만 하면 자동으로 반복적인 K 폴드를 수행합니다.
	원래 분석과 같이 단일 홀드아웃을 수행하려는 경우 일반적인 것과 마찬가지로 설정할 수 있지만 열을 만들어야 합니다.
	연속적이죠. 이건 함정이에요. 그리고 저희 얼리어답터 중 일부가 이 부분에서 실수를 했다는 걸 알고 있어요. 다른 방식과는 다른 관례죠.
	JMP Pro 내의 다른 XGBoost나 다른 예측 모델링 루틴도 있지만, 제 생각에는 이 방법이 가장 깔끔한 것 같습니다. 다시 한번 말씀드리지만, 권장하는 방법은 다음과 같습니다.
	이렇게 K-폴드를 반복하거나, 적어도 한 번은 K-폴드를 한 후, "OK" 버튼을 누르면 됩니다. 그러면 초기 실행 창이 나타납니다.
	XGBoost의 장점은 튜닝 매개변수가 다양하다는 것입니다. 주요 매개변수는 여기 상자에 나열되어 있으며, 직접 조정해 볼 수 있습니다.
	그리고 그보다 훨씬 더 많은 기능이 있는데, 그것들은 고급 옵션 아래에 숨겨져 있는데, 오늘은 시간이 없어 설명하지 않겠습니다.
	하지만 저희는... 가장 중요한 것들은... 대부분의 경우 그냥 신경 쓰셔도 됩니다. 자, 그럼... 다시 실행해 볼까요? 여기서 "Go" 버튼을 클릭하면 XGBoost가 실행됩니다.
	지금은 간단한 노트북으로 실행하고 있습니다. 데이터 세트는 비교적 작습니다. 그러니까... 방금 5배 반복해서 실행했습니다.
	세 가지 다른 결과를 단 몇 초 만에 얻을 수 있습니다. XGBoost는 꽤 잘 튜닝되어 있어서 더 큰 데이터 세트에도 잘 작동하지만, 이 작은 예제에서는 어떤 일이 일어나는지 살펴보겠습니다.
	그런데 이 초기 그래프가 나오면서 즉각 경고 신호가 켜졌습니다.
	여기서 우리가 살펴보는 것은... 반복 횟수, 적합 반복 횟수에 따라 기본적으로 감소하려는 손실 함수인 학습 곡선을 얻는다는 것입니다.
	하지만 실선 곡선은 검증 곡선입니다. 여기서 무슨 일이 일어났는지 보실 수 있습니다. 몇 번의 반복이 있은 직후, 이 곡선은 바닥을 찍었고 그 후 상황은 훨씬 더 악화되었습니다.
	따라서 이는 실제로 이 기본 모델을 사용하고 싶지 않은 경우입니다. XGBoost는 이미 과적합되어 있습니다.
	이런 일은 종종 작은 데이터 세트에서 발생하며 튜닝이 필요합니다.
	아래쪽에 다른 결과들이 많이 있는데, 다시 말씀드리지만, 믿을 만하다고 생각하지는 않습니다. 이 시점에서는... 약간의 조정이 필요할 겁니다.
	오늘은 수동 튜닝을 조금 해 보도록 하겠습니다. 하지만 여러분께서 직접 해보시기를 권해드리고 싶습니다. 튜닝 설계를 위한 전체 프레임워크를 구현해 놓았기 때문입니다.
	여기서 매개변수 범위를 지정하고 설계 공간을 검색할 수 있으며, 실제로는 JMP DOE를 사용합니다.
	그러니까... 이미 DOE를 사용하는 두 가지 방법이 있는데, 두 방법 모두 기능을 크게 향상시켰습니다. 지금은 이 그래프를 기반으로 수동 튜닝을 조금 해 보겠습니다.
	이 그래프를 확대해서 보면 곡선이 바닥을 치고 있는 것을 볼 수 있습니다. 3~4회 반복한 후의 모습을 보여드리겠습니다. 한 가지, 정말 쉬운 방법은 4단계 후에 훈련을 멈추는 것입니다.
	무슨 일이 일어나는지 보세요. 그런데, 과적합에서 무슨 일이 일어났는지 보세요. 검증 R 제곱이 실제로 음수였으니 꽤 나빴습니다. 확실히 추천할 만한 모델은 아닙니다. 하지만 네 단계만 거치는 새로운 모델을 실행해 보겠습니다.
	무슨 일이 일어나는지 보세요.
	훨씬 더 나은 검증 R 제곱입니다. 이제 약 0.16 정도 올랐는데, 재미 삼아 세 번 시도해 봅시다. 어떻게 되는지 보겠습니다.
	조금 더 심각하죠. 그러니까 이건 좀 더 실험해 볼 만한 부분이라는 걸 알 수 있죠. 저희는 그런 부분도 수용할 수 있는 대화 환경을 만들려고 노력했습니다.
	그리고 처음에 보이는 이 표에서 몇 가지 모델을 비교해 볼 수 있습니다. 여러 열을 기준으로 정렬하여 가장 적합한 모델을 찾은 다음, 아래에서 다양한 모델링 세부 정보를 자세히 살펴볼 수 있습니다.
	여기서는 모델 2를 살펴보겠습니다. 우리가 할 수 있는 일은 다음과 같습니다.
	그것만 유지하고 정리하면 됩니다... 원하지 않는 모델을 정리하면 숨겨진 모델이 제거됩니다.
	이제 좀 더 자세히 살펴보고 싶은 모델로 돌아왔습니다. 여기서 검증 R 제곱이 0.17 정도라는 것을 확인하세요.
	그러니까, 기억하세요, 이건 사실 Jaivime이 원래 이해한 것과 비평가가 이해한 것 사이에 있는 거예요.
	그리고 저는 이것을 R 제곱의 훨씬 더 신뢰할 수 있는 측정으로 볼 것입니다. 왜냐하면 이것은 다시 한번 전체적으로 계산되었기 때문입니다. 우리는 실제로 15가지 다른 모델링 적합을 실행했습니다.
	세 번이나 5배로 늘렸습니다. 그러니까 이건 그 값들에 대한 평균값입니다. 그래서 모델의 성능을 측정하는 데 훨씬 더 깔끔하고 신뢰할 수 있는 방법이라고 생각합니다.
	적합한 모델을 찾으려면 아래로 스크롤하세요. 출력 결과가 꽤 많습니다. 다시 말씀드리지만, JMP는 정말 훌륭합니다. 저희는 항상 통계 근처에 그래픽을 배치하여
	둘 다 무슨 일이 일어나고 있는지 보고 숫자를 첨부하며, 이 그래프는 평소처럼 실시간으로 표시되며 상호 작용이 잘 됩니다.
	하지만 여기서 보시다시피, 실제 훈련과 예측 훈련, 그리고 검증 훈련이 있습니다. 검증 훈련은 거의 항상 더 나빠지지만, 실제로는 그렇습니다.
	그리고 여러분은 오류가 발생하는 곳을 다시 볼 수 있는데, 이것이 바로 가장 높은 지점이고, 종종...이것이 45도 선입니다.
	그래서 높은 측정값은... 그리고 모든 높은 측정값은 예측보다 낮게 나오는 경향이 있는데, 이는 매우 정상적인 현상입니다. 제 생각에는 이런 종류의 방법이라면, 축소되는 경향이 있을 겁니다.
	극단적인 값을 낮추고 보수적으로 접근했습니다. 그러면 오류가 어디에서, 어느 정도 발생하는지 정확히 알 수 있습니다.
	이제 Jaivime의 주요 관심사는...그는 주로 어떤 변수가 실제로 영향을 미치는지 보는 데 관심이 있었습니다.
	이 물 보정 효과. 그리고 가장 눈에 띄는 건 PET라고 하는 거예요.
	XGBoost에서는 변수 중요도를 평가하는 여러 가지 방법이 있습니다. 이득 측정 기준으로 분할 횟수를 직접 볼 수 있는데, 제 생각에는 다음과 같습니다.
	아마 시작하기에 가장 좋은 것 같아요. 특정 변수로 분할할 때마다 모델이 얼마나 개선되는지를 나타내는 지표죠. 커버(cover)라는 것도 있어요.
	이 경우, 세 가지 중 어느 하나라도 PET가 가장 중요한 것으로 떠오르고 있습니다. 따라서 기본적으로 이러한 빠른 분석이 이 데이터에 대한 조치의 핵심인 것 같습니다.
	이제 JMP를 사용하면 더 많은 작업을 할 수 있습니다. 모델링 빨간색 삼각형 아래에는 꽤 많은 새로운 기능이 추가되어 있습니다. 예측 값과 수식을 저장할 수 있습니다.
	모델 저장소나 포뮬러 저장소에 게시하여 더 많은 작업을 수행할 수 있습니다.
	Python 코드를 생성하는 루틴도 있습니다. 단순히 스코어링만 하는 것이 아니라, 모든 학습 및 피팅을 수행하는 새로운 기능입니다. JMP Pro에서 Python으로 전환하려는 분들에게 도움이 될 것입니다. 여기서는 프로파일러를 살펴보겠습니다.
	그리고 저는 이전 영상에서 제 친구 브래드 존스에게 간단히 사과의 말씀을 드려야겠습니다. 그가 프로파일러의 발명자라는 사실을 언급하는 것을 깜빡했습니다.
	그래서 이건, 사실 그에게 큰 도움이 되는 사례이고, 우리가 지금 이 모델을 다른 방식으로 활용하고 있다는 점에서, 즉 변수의 중요도와 각 변수의 작동 방식을 평가하는 데 활용하고 있다는 점에서도 그렇습니다. 그래서 제게는 정말 설득력 있는 이야기입니다.
	우리가... 이걸 볼 수 있는 프레임워크를 말이죠. 그리고 찰리... 제가 그 말을 하자마자 찰리가 소파에서 벌떡 일어났어요. 지금 제 옆에 있거든요.
	그래서 무슨 일이 일어나는지 살펴보세요... 우리는 이 PET 변수에서 흥미로운 점을 볼 수 있습니다. 우리는 핵심 순간을 볼 수 있습니다. PET가
	1200을 바로 넘어설 때쯤이면 정말 효과가 나타나죠. 프로파일러가 어떻게 작동하는지 아주 잘 보여주는 예시입니다.
	그리고 내가 아는 한, 이것이 처음입니다... 이것이 처음입니다... 이것이 제공하는 유일한 소프트웨어입니다.
	이러한 플롯은 단순히 통계적 중요성 측정을 넘어서서 무슨 일이 일어나고 있는지 정확히 보여주고 해석하는 데 도움이 됩니다.
	부스트 트리 모델입니다. 정말 좋은 분석 방법이라고 생각합니다. 여러분도 직접 데이터로 이 방법을 시도해 보시기를 권합니다.
	이제 다른 예를 들어 우리의 일기로 돌아가 보겠습니다.
	보시다시피, 내용이 정말 많습니다. 모든 내용을 다 살펴볼 시간은 본래 없습니다.
	하지만 시간 관계상 이진 타겟이 있을 때 어떤 일이 일어나는지 보여드리고 싶었습니다. 방금 살펴본 것은 연속형이었습니다.
	이를 위해 JMP 샘플 라이브러리에서 오랫동안 사용되어 온 기존 당뇨병 데이터 세트를 사용합니다. 이 데이터 세트는 기존 데이터와 동일하지만, 몇 가지 새로운 스크립트를 추가하여 더욱 풍성해졌습니다.
	따라서 저널을 받아서 다운로드하면 이런 종류의 향상된 버전을 얻게 됩니다.
	이진 순서형 타겟과 함께 다양한 XGBoost 실행이 꽤 많았고, 기억하시겠지만 여기에는 원래 Y 변수에서 파생된 낮음 및 높음 측정값이 있습니다.
	당뇨병에 대한 반응을 살펴보겠습니다. 여기서 좀 더 나아가 보겠습니다. 실제로 이익 행렬을 사용하고 싶은 의학적 상황에 있다고 가정해 보겠습니다. 우리의 목표는 결정을 내리는 것입니다. 각 환자를 예측해 보겠습니다.
	높든 낮든 상관없지만, 생각해보니 사람이 실제로 높은 위치에 있다면 위험 부담이 조금 더 크다는 걸 깨달았어요.
	그래서 실제 상태가 높은지에 따라 이익이나 손실이 두 배로 늘어날 겁니다. 그리고 물론,
	이것이 일반적으로 올바른 작동 방식입니다. 올바른 결정은 여기와 여기에 있습니다.
	그리고 여기에 잘못된 것이 있는데, 그게 바로... 이런 행렬을 세울 때 네 개의 셀을 모두 생각해야 하는 것입니다.
	간단한 예를 하나 들어보겠습니다. 두 배로 늘어나는데, 여기에 실제 금전적 가치를 부여할 수 있을지는 잘 모르겠습니다. 그런 상황에 처해 있다면 사실 좋은 일입니다.
	누가 알겠나요. 어쩌면 이것들을 각각 비트코익으로 간주할 수도 있고, 각각 1만 달러 정도일 수도 있겠죠.
	그렇게 중요하지는 않습니다. 더 중요한 것은 우리가 우리의 상황에 맞춰 최적의 결정을 내리고 싶어한다는 것입니다.
	예측입니다. 그래서 지금 분석을 할 때 이 수익 매트릭스를 고려할 겁니다. 실제로는 모델 피팅 후에만 수행되며, 피팅 자체에는 직접 사용되지 않습니다.
	이제 여기서 XGBoost를 실행하고 바이너리 타겟을 설정하겠습니다.
	목적 함수는 이제 로그 손실의 로지스틱으로 바뀌었고 여기에 반영된 것은 로지스틱 로그 가능도입니다.
	그리고 보시다시피, 이제 우리는 이진 목표를 살펴볼 수 있고, 이를 평가하는 데 사용하는 지표가 약간 다릅니다.
	다만, 눈여겨보시면 방금 살펴본 수익 행렬에서 계산된 수익 열이 있습니다.
	하지만 수익 행렬에 대해 너무 걱정하지 않고 단순한 이진 회귀만 원하는 시나리오에 있는 경우 다음과 같은 일반적인 지표를 살펴볼 수 있습니다.
	정확도(오분류율의 역수)만 봐도 알 수 있듯이, F1 또는 매튜스 상관관계 분석도 유용하고, ROC 분석도 특이도와 민감도의 균형을 맞추는 데 도움이 됩니다. 이 모든 분석이 가능합니다.
	그리고 더 자세히 살펴볼 수도 있습니다. 제가 보여드리고 싶은 새로운 기능 중 하나는 아직 개발 중인데, 바로 여러분이 의사 결정 임계값을 직접 조정해 볼 수 있는 방법이 생겼다는 것입니다.
	이제 실제로 대화형으로 할 수 있습니다. 그리고 새로운 기능이 추가되었는데요, 임계값을 기준으로 수익을 표시하는 기능입니다.
	이건 우리가 JMP Pro에 막 도입한 아주 새로운 그래프인데, 이걸 사용하려면 최신 JMP 16 얼리 어답터를 구해야 합니다. 하지만 이건 의사결정 매트릭스를 수용하고 있죠...
	또는 이익 매트릭스입니다. 그리고 우리가 연구하고 있는 또 다른 점은 이 매트릭스를 기반으로 최적의 임계값을 도출할 수 있다는 것입니다.
	이 경우에는 실제로 여전히 0.5인 것 같습니다. 따라서 이는 실제 목표가 수익 극대화라면 어떤 조치를 취해야 할지에 대한 추가적인 통찰력을 제공합니다.
	그렇지 않은 경우 상황에 따라 특이성과 민감성의 균형을 맞추고 싶을 수 있지만, 여기에 표시된 일반적인 혼동 행렬과 훈련 및 검증을 위한 일부 그래프가 있습니다.
	그리고 ROC 곡선입니다.
	변수 중요도 측면에서 앞서 살펴본 것과 같은 결과를 얻을 수 있습니다. 프로파일러를 다시 한번 살펴보겠습니다. 꽤 괜찮은 방법이죠...
	이 경우에도 좋습니다. 각 변수에 어떤 일이 일어나고 있는지 정확히 볼 수 있으니까요.
	예를 들어 여기서 LTG와 BMI가 가장 중요한 두 변수라는 것을 알 수 있는데, 두 변수 모두 반응이 증가함에 따라 증가하는 경향이 있어 그 관계를 직접적으로 확인할 수 있습니다. 실제로 트리를 사용하면 BMI처럼 비선형성이 나타날 수 있습니다.
	그것이 여기서 실제적인 것인지는 확실하지 않습니다. 우리는 더 많은 분석을 하거나 더 많은 모델을 살펴보고 여기서 그 작은 것과 관련하여 실제로 무언가가 진행되고 있는지 확인해야 할 수도 있습니다.
	우리가 보는 융기 부분이에요. 하지만 이런 것들은 여러분이 알아낼 수 있는 것들이고, 보는 재미와 흥미를 유발하는 것들이죠.
	자, 당뇨병 데이터 세트를 가지고 실험해 볼 수 있는 자료가 있습니다. 저널에는 훨씬 더 많은 내용이 있습니다. 시간 관계상 오늘은 보여드리지 않겠지만, XGBoost 문서에 자세히 나와 있는 두 가지 예시가 더 있습니다.
	이건 PDF 문서인데, 추가 기능에 대한 자세한 설명과 두 가지 예시를 단계별로 안내해 줍니다. 한번 확인해 보시는 걸 추천합니다.
	그리고, 저널에는 또한 여러 가지 비교가 이루어진 내용이 담겨 있습니다.
	우리가 살펴본 이 보라색 매트릭스를 보셨죠. 이건 펜실베이니아 대학교에서 진행된 연구인데요,
	다양한 데이터 세트에서 여러 머신 러닝 방법을 서로 비교한 후, 각 방법이 다른 방법보다 얼마나 더 나은 성능을 보이는지 비교하는 방식입니다. XGBoost도 마찬가지입니다.
	최고 모델로 선정되었고, 이 비교가 항상 최고는 아니었지만, 평균적으로는 여기 보이는 다른 모든 모델보다 성능이 더 좋았습니다. 그래서, 더 많은 증거가 있습니다.
	이 기술의 힘과 능력에 대해 말씀드리겠습니다. 몇 가지 더 말씀드릴 게 있는데, 여기서는 다루지 않겠습니다.
	이 힐 밸리 사례는 흥미롭네요. 나무들이 제대로 기능하지 못한 사례죠. 좀 병적인 상황이긴 하지만, 연구해 보면 흥미롭고, 무슨 일이 일어나고 있는지 이해하는 데 도움이 될 거예요.
	JMP의 R&D 부서에서도 상당히 광범위한 내부 테스트를 수행했으며 그 결과 중 상당수가 여러 다른 데이터 세트에 걸쳐 여기에 나와 있습니다.
	시간 관계상 다시 한번 말씀드리지만, 그 내용들은 다루지 않겠지만, 꼭 한번 확인해 보시기를 권합니다. 저희의 모든 연구 결과는 이 저널과 함께 제공되며, 다양한 분야와 데이터 규모에 걸쳐 실험해 보실 수 있습니다.
	자, 한번 확인해 보세요. 재밌게도, 속도 측면에서의 저희의 결론은 이 작은 밈에 요약되어 있습니다. 저희는 두 대의 다른 차를 가지고 있습니다.
	사실, 이건 정말 대단하고, GPU와 CPU에 있는 모든 스레드를 활용하도록 조정되어 있어요.
	Windows를 사용 중이고 NVIDIA 카드를 사용한다면 GPU를 활용할 수도 있는데, 이를 통해 속도가 최대 5배까지 향상되는 경우가 많습니다. 정말 재밌죠.
	그럼 이쯤에서 튜토리얼을 마무리하겠습니다. 다시 한번, 꼭 확인해 보세요. 정말 감사드리고 싶었습니다. 많은 분들이 참여해 주셔서 정말 감사합니다.
	사실 걱정되는 부분이 있는데, 혹시 제가 간과한 부분이 있을지도 모르지만, 적어도 이 분들께는 감사의 말씀을 전하고 싶었습니다. 훌륭한 얼리 어답터 그룹이 있었거든요.
	그리고 그들은 Marie, Diedrich로부터 매우 좋은 피드백을 받았고 Villanova의 이들은 이미 성공적으로 교실 환경에서 XGBoost를 사용하기 시작했습니다.
	네, 그 이야기를 들으니 정말 기뻤습니다. 그리고 JMP의 많은 분들이 도와주셨습니다.
	물론, 이건 JMP 인프라 전체를 기반으로 하고 있습니다. 따라서 언젠가는 이 작업과 관련해서 JMP 부서 전체를 나열해야 할 것 같습니다. 작업하는 게 정말 즐거웠습니다.
	그리고 여러 가지 면에서 제게 솔직하게 이야기해 주시고, 많은 제안을 해 주시는 생명과학팀에도 감사드리고 싶습니다.
	루치아노는 실제로 XGBoost 추가 기능을 구현했는데, JMP Genomics와 함께 사용할 수 있는 또 다른 추가 기능입니다. JMP Genomics를 사용 중이시라면 이 기능도 확인해 보시는 것을 추천합니다. 예측 모델링 프레임워크 내에서 XGBoost를 직접 호출할 수도 있습니다.
	귀하의 관심에 감사드리며, XGBoost를 사용해 보시기 바랍니다.

고급 통계 모델링자동화 및 스크립팅기본 데이터 분석 및 모델링소비자 및 시장 조사콘텐츠 구성데이터 액세스데이터 탐색 및 시각화실험 설계대량 맞춤화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달