개요

이 실습에서는 데이터 분석가를 위한 BigQuery ML을 소개합니다. BigQuery ML을 사용하면 BigQuery에서 SQL 쿼리를 사용하여 머신러닝 모델을 만들고 실행할 수 있습니다. 이 실습에서는 num_trials 학습 옵션을 지정하는 초매개변수 조정 방법을 소개합니다.

이 실습에서는 tlc_yellow_trips_2018 샘플 테이블을 사용하여 택시 운행의 팁을 예측하는 모델을 만듭니다. 초매개변수 조정을 통해 성능(r2_score)을 약 40% 향상시킬 수 있습니다.

목표

이 실습에서는 BigQuery ML을 사용하여 다음을 수행합니다.

• num_trials를 20으로 설정하고 CREATE MODEL 문을 사용하여 선형 회귀 모델 만들기
• ML.TRIAL_INFO 함수를 사용하여 모든 20개 시도 개요 확인
• ML.EVALUATE 함수를 사용하여 ML 모델 평가
• ML 모델과 ML.PREDICT 함수를 사용하여 예측 수행

설정 및 요건

각 실습에서는 정해진 기간 동안 새 Google Cloud 프로젝트와 리소스 집합이 무료로 제공됩니다.

1. 시크릿 창을 사용하여 Qwiklabs에 로그인합니다.

2. 실습 사용 가능 시간(예: 1:15:00)을 참고하여 해당 시간 내에 완료합니다.
   일시중지 기능은 없습니다. 필요한 경우 다시 시작할 수 있지만 처음부터 시작해야 합니다.

3. 준비가 되면 실습 시작을 클릭합니다.

4. 실습 사용자 인증 정보(사용자 이름 및 비밀번호)를 기록해 두세요. Google Cloud Console에 로그인합니다.

5. Google Console 열기를 클릭합니다.

6. 다른 계정 사용을 클릭한 다음, 안내 메시지에 이 실습에 대한 사용자 인증 정보를 복사하여 붙여넣습니다.
   다른 사용자 인증 정보를 사용하는 경우 오류가 발생하거나 요금이 부과됩니다.

7. 약관에 동의하고 리소스 복구 페이지를 건너뜁니다.

BigQuery API 사용 설정

1. Google Cloud 콘솔의 탐색 메뉴()에서 API 및 서비스 > 라이브러리를 클릭합니다.
2. BigQuery API를 검색한 다음 아직 사용 설정되지 않은 경우 사용 설정을 클릭합니다.

작업 1. 학습 데이터 세트 만들기

첫 번째 작업은 학습 데이터 및 ML 모델을 저장할 BigQuery 데이터 세트를 만드는 것입니다. 데이터 세트를 만들려면 다음 안내를 따르세요.

1. BigQuery 페이지의 탐색기 패널에서 프로젝트 ID 옆의 작업 보기()를 클릭하고 데이터 세트 만들기를 선택합니다.
2. 데이터 세트 ID에는 bqml_tutorial을 입력하고 데이터 위치로는 미국(US)을 선택합니다.
   현재 공개 데이터 세트는 미국 멀티 리전 위치에 저장됩니다. 편의상 같은 위치에 데이터 세트를 배치합니다.
3. 나머지 설정은 기본값으로 두고 데이터 세트 만들기를 클릭합니다.

작업 2. 학습 입력 테이블 만들기

이 작업에서는 학습 입력 테이블을 100,000개 행으로 구체화합니다.

1. 소스 테이블 tlc_yellow_trips_2018의 스키마를 봅니다(새 탭에서 이 링크 열기).

2. 새 쿼리 작성을 클릭하고 쿼리 편집기 텍스트 영역에 다음 쿼리를 붙여넣어 학습 입력 데이터 테이블을 만듭니다.

CREATE TABLE `bqml_tutorial.taxi_tip_input` AS SELECT * EXCEPT(tip_amount), tip_amount AS label FROM `bigquery-public-data.new_york_taxi_trips.tlc_yellow_trips_2018` WHERE tip_amount IS NOT NULL LIMIT 100000

3. 실행을 클릭합니다.

작업 3. 모델 만들기

• 다음으로 BigQuery의 tlc_yellow_trips_2018 샘플 테이블을 사용하여 초매개변수를 조정한 선형 회귀 모델을 만듭니다.

다음 표준 SQL 쿼리는 초매개변수 조정으로 모델을 만드는 데 사용됩니다.

CREATE MODEL `bqml_tutorial.hp_taxi_tip_model` OPTIONS (model_type='linear_reg', num_trials=20, max_parallel_trials=2) AS SELECT * FROM `bqml_tutorial.taxi_tip_input`

쿼리 세부정보

LINEAR_REG 모델에는 l1_reg 및 l2_reg라는 두 개의 조정 가능한 초매개변수가 있습니다. 이전 쿼리는 기본 검색 공간을 사용합니다. 검색 공간을 명시적으로 지정할 수도 있습니다.

OPTIONS (... l1_reg=hparam_range(0, 20), l2_reg=hparam_candidates([0, 0.1, 1, 10]))

또한 다른 초매개변수 조정 학습 옵션도 기본값을 사용합니다.

• hparam_tuning_algorithm: "VIZIER_DEFAULT"
• hparam_tuning_objectives: ["r2_score"]

max_parallel_trials를 2로 설정하여 조정 프로세스 속도를 높입니다. 언제든지 실행되는 2번의 시도의 경우 전체 조정에는 20개가 아닌 10개의 직렬 학습 작업이 수행될 만큼의 시간이 걸립니다. 그러나 두 동시 시도는 서로의 학습 결과로부터 이점을 얻을 수 없다는 점에 유의하세요.

CREATE MODEL 쿼리 실행

CREATE MODEL 쿼리를 실행하여 모델을 만들고 학습시키려면 다음 안내를 따르세요.

1. Cloud Console에서 새 쿼리 작성을 클릭합니다.

2. 쿼리 편집기 텍스트 영역에 위의 표준 SQL 쿼리를 입력합니다.

3. 실행을 클릭합니다. 쿼리가 완료되는 데 약 17분 정도 걸립니다.

4. 단계의 실행 세부정보에서 조정 진행 상황을 추적합니다.

작업 4. 시도 정보 가져오기

• 초매개변수, 목표, 상태, 최적의 시도를 포함하여 모든 시도와 관련한 개요를 보려면 ML.TRIAL_INFO 함수를 사용하고, SQL을 실행한 후 Cloud 콘솔에서 결과를 확인합니다.

SELECT * FROM ML.TRIAL_INFO(MODEL `bqml_tutorial.hp_taxi_tip_model`)

1번의 시도가 완료되면 즉시 이 SQL 쿼리를 실행할 수 있습니다. 조정이 중간에 중지되더라도 이미 완료된 시도는 모두 계속 사용할 수 있습니다.

작업 5. 모델 평가

모델을 만든 후에는 ML.EVALUATE 함수 또는 Google Cloud 콘솔을 사용하여 모든 시도의 평가 측정항목을 확인할 수 있습니다.

1. ML.EVALUATE를 실행합니다.

SELECT * FROM ML.EVALUATE(MODEL `bqml_tutorial.hp_taxi_tip_model`)

이 SQL은 테스트 데이터에서 계산된 모든 시도에 대한 평가 측정항목을 가져옵니다.

2. 데이터 분할 섹션에서 ML.TRIAL_INFO 목표와 ML.EVALUATE 평가 측정항목의 차이를 확인합니다.

자체 데이터를 제공하여 특정 시도를 평가할 수도 있습니다. 자세히 알아보려면 ML.EVALUATE을 참조하세요.

Google Cloud 콘솔을 통해 평가 측정항목 확인

모델의 평가 탭을 통해 평가 측정항목을 확인할 수도 있습니다.

작업 6. 모델을 사용하여 택시 팁 예측

모델을 평가한 후 다음 단계는 모델을 사용하여 택시 팁을 예측하는 것입니다.

• 이 쿼리를 사용하여 팁을 예측합니다.

SELECT * FROM ML.PREDICT(MODEL `bqml_tutorial.hp_taxi_tip_model`, ( SELECT * FROM `bqml_tutorial.taxi_tip_input` LIMIT 10))

쿼리 세부정보

첫 번째 SELECT 문은 predicted_label 열을 포함하는 모든 열을 검색합니다. 이 열은 ML.PREDICT 함수에서 생성됩니다. ML.PREDICT 함수를 사용할 때 모델의 출력 열 이름은 predicted_label_column_name입니다.

기본적으로 예측은 최적의 시도를 대상으로 수행됩니다.

• trial_id 매개변수를 지정하여 다른 시도를 선택할 수 있습니다.

SELECT * FROM ML.PREDICT(MODEL `bqml_tutorial.hp_taxi_tip_model`, ( SELECT * FROM `bqml_tutorial.taxi_tip_input` LIMIT 10), STRUCT(3 AS trial_id))

모델 서빙 함수 사용에 관한 자세한 내용은 ML.PREDICT를 참조하세요.

작업 7. 삭제

이 튜토리얼에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트는 유지하되 개별 리소스를 삭제하세요.

데이터 세트 삭제

프로젝트를 삭제하면 프로젝트의 데이터 세트와 테이블이 모두 삭제됩니다. 프로젝트를 다시 사용하려면 이 튜토리얼에서 만든 데이터 세트를 삭제할 수 있습니다.

1. 필요한 경우 Cloud 콘솔에서 BigQuery 페이지를 엽니다.
2. 탐색기 패널에서 데이터 세트 옆에 있는 작업 보기()를 클릭하고 삭제를 클릭합니다.
3. 데이터 세트 삭제 대화상자에서 삭제 명령어를 확인하려면 delete를 입력하고 삭제를 클릭합니다.

수고하셨습니다.

지금까지 BigQuery ML을 사용하여 다음을 수행하는 방법을 알아보았습니다.

• num_trials를 20으로 설정하고 CREATE MODEL 문을 사용하여 선형 회귀 모델 만들기
• ML.TRIAL_INFO 함수를 사용하여 모든 20개 시도 개요 확인
• ML.EVALUATE 함수를 사용하여 ML 모델 평가
• ML 모델과 ML.PREDICT 함수를 사용하여 예측 수행

실습 종료

실습을 완료하면 실습 종료를 클릭합니다. Qwiklabs에서 사용된 리소스를 자동으로 삭제하고 계정을 지웁니다.

실습 경험을 평가할 수 있습니다. 해당하는 별표 수를 선택하고 의견을 입력한 후 제출을 클릭합니다.

별점의 의미는 다음과 같습니다.

• 별표 1개 = 매우 불만족
• 별표 2개 = 불만족
• 별표 3개 = 중간
• 별표 4개 = 만족
• 별표 5개 = 매우 만족

의견을 제공하고 싶지 않다면 대화상자를 닫으면 됩니다.

의견이나 제안 또는 수정할 사항이 있다면 지원 탭을 사용하세요.

Copyright 2020 Google LLC All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.