후보 집합
베이지안 최적화 플랫폼의 "후보 집합" 보고서에는 다음 배치에서 고려해야 할 전체 요인 조합 테이블이 포함되어 있습니다. 기본적으로 테이블의 요인 조합 수는 (요인 수 × 1000)과 10,000 중 더 작은 값입니다. 시작 창의 "후보 집합 행 수" 옵션을 사용하여 기본 초기 요인 조합 수를 변경할 수 있습니다. 후보 집합은 요인 범위에 대해 균등하게 샘플링하여 자동으로 생성되며, 혼합물 요인 및 선형 제약 조건 테이블 스크립트도 고려합니다.
테이블은 다음 배치에 추가할 행과 다음 배치에서 제외할 행의 두 섹션으로 나뉩니다. 각 행 옆의 체크박스를 사용하여 다음 런 배치에 포함할 요인 조합을 수동으로 선택할 수 있습니다. 다음 배치에 추가할 행은 추가된 순서대로 정렬됩니다. 테이블의 열에는 각 요인 조합에서 선택된 확대 획득 함수의 값이 포함됩니다. 테이블에 포함할 수 있는 열 목록에 대한 내용은 후보 집합 보고서 옵션에서 확인하십시오.
참고: 기존 데이터 테이블에서 후보 집합을 불러올 수도 있습니다. 자세한 내용은 데이터 테이블에서 후보 집합 불러오기에서 확인하십시오. 이 옵션을 사용하면 기존 후보 집합이 제거되고 선택한 데이터 테이블의 요인 조합으로 대체됩니다. 이후 보고서 제목에는 해당 데이터 테이블의 이름이 포함됩니다.
"후보 집합" 보고서에서 다음 옵션도 사용할 수 있습니다.
행 자동 선택
후보 집합 중 다음 런 배치에 포함할 행을 자동으로 선택합니다. 선택할 행 수와 확대 방법 알고리즘을 지정할 수 있습니다. 다음과 같은 확대 방법을 사용할 수 있습니다.
공간 채움 탐색
MaxPro 공간 채움 기준을 사용하여 지정된 수의 점을 선택합니다. 이 알고리즘은 요인 공간을 탐색하는 데 집중합니다. 이것은 모형이 반응에 잘 적합되지 않을 때 유용한 모형 없는(model-free) 방법입니다.
모형 개선
최대 기대 이익 기준을 사용하여 첫 번째 점을 선택합니다. 그런 다음, 나머지 행은 베이지안 만족도 표준편차와 다중 모형 표준편차 기준을 최대화하는 모형 기반 획득 함수를 사용하여 선택됩니다. 이 알고리즘은 요인 공간 탐색과 모형 적합도 개선 사이의 균형을 맞춥니다. 이 방법은 무작위 샘플링 대신 기존 모형을 사용하여 샘플링 개선이 필요한 영역을 목표로 지정하려는 경우 유용합니다.
최적값 확인 및 검증
베이지안 만족도가 가장 큰 요인 조합을 찾아 배치의 첫 번째 런을 선택합니다. 배치의 나머지 런은 베이지안 만족도 모형을 통해 기존 훈련 데이터 중 가장 결과가 좋은 런과 비슷하거나 더 뛰어난 성능을 보일 것으로 예측되는 요인 조합을 우선적으로 찾아내어 선택합니다. 이 부분집합에서 만족도 표준편차 기준을 순차적으로 최대화하는 방식으로 런을 배치에 추가합니다. 이 알고리즘은 기존 모형 정보를 활용하는 데 집중합니다. 이 방법은 모형을 직접 최적화하기 위한 마지막 반복 단계에서 유용합니다.
모두 선택 취소
현재 배치에서 선택된 모든 행을 제거합니다.
실행 취소
후보 집합 테이블의 마지막 변경 사항을 취소합니다.
다시 실행
후보 집합 테이블의 마지막 변경 사항을 다시 불러옵니다.
빨간색 삼각형 메뉴 옵션에 대한 내용은 후보 집합 보고서 옵션에서 확인하십시오.