본문으로 건너뛰기
버전: docs v25.02

AD Parameter

Updated 2024.05.17

experimental_plan.yaml 설명​

내가 갖고 있는 데이터에 AI Contents를 적용하려면 데이터에 대한 정보와 사용할 Contents 기능들을 experimental_plan.yaml 파일에 기입해야 합니다. AI Contents를 solution 폴더에 설치하면 solution 폴더 아래에 contents 마다 기본으로 작성되어있는 experimental_plan.yaml 파일을 확인할 수 있습니다. 이 yaml 파일에 '데이터 정보'를 입력하고 asset마다 제공하는 'user arugments'를 수정/추가하여 ALO를 실행하면, 원하는 세팅으로 데이터 분석 모델을 생성할 수 있습니다.

experimental_plan.yaml 구조​

experimental_plan.yaml에는 ALO를 구동하는데 필요한 다양한 setting값이 작성되어 있습니다. 이 setting값 중 '데이터 경로'와 'user arguments'부분을 수정하면 AI Contents를 바로 사용할 수 있습니다.

데이터 경로 입력(external_path)​

  • external_path의 parameter는 불러올 파일의 경로나 저장할 파일의 경로를 지정할 때 사용합니다. save_train_artifacts_path와 save_inference_artifacts_path는 입력하지 않으면 default 경로인 train_artifacts, inference_artifacts 폴더에 모델링 산출물이 저장됩니다.
external_path:
    - load_train_data_path: ./solution/sample_data/train
    - load_inference_data_path:  ./solution/sample_data/test
    - save_train_artifacts_path:
    - save_inference_artifacts_path:
파라미터명DEFAULT설명 및 옵션
load_train_data_path./sample_data/train/학습 데이터가 위치한 폴더 경로를 입력합니다.(csv 파일 명 입력 X)
load_inference_data_path./sample_data/test/추론 데이터가 위치한 폴더 경로를 입력합니다.(csv 파일 명 입력 X)

사용자 파라미터(user_parameters)​

  • user_parameters 아래 step은 asset 명을 의미합니다. 아래 step: input은 input asset단계임을 의미합니다.
  • args는 input asset(step: input)의 user arguments를 의미합니다. user arguments는 각 asset마다 제공하는 데이터 분석 관련 설정 파라미터입니다. 이에 대한 설명은 아래에 User arguments 설명을 확인해주세요.
user_parameters:
    - train_pipeline:
        - step: input
          args:
            - file_type
            ...
          ui_args:
            ...

User arguments 설명​

User arguments란?​

User arguments는 각 asset 별 동작 설정을 위한 파라미터로 experimental_plan.yaml의 각 asset step의 args밑에 기입해 사용합니다. AI Contents의 pipeline을 구성하는 asset마다 사용자가 다양한 기능을 데이터에 적용할 수 있도록 user arguments를 제공하고 있습니다. 사용자는 아래 가이드를 참고해서 user arguments를 변경, 추가하여 데이터에 맞는 모델링을 할 수 있습니다. User arguments는 experimental_plan.yaml에 미리 작성되어있는 "필수 arguments"와 사용자가 가이드를 보고 추가하는 "Custom arguments"로 구분됩니다.

필수 arguments​

  • 필수 arguments는 experimental_plan.yaml에 바로 보여지는 기본 arguments 입니다. 대부분의 필수 arguments는 default 값이 내장되어 있습니다. default 값이 있는 arguments의 경우에는 유저가 별도로 값을 설정하지 않아도 기본 값으로 동작합니다.
  • experimental_plan.yaml의 필수 arguments중 데이터 관련 arguments는 유저가 필수로 값을 설정해주어야 합니다. (ex. x_columns, y_column)

Custom arguments​

  • Custom arguments는 experimental_plan.yaml에 적혀있지 않지만, asset에서 제공하는 기능으로 사용자가 experimental_plan.yaml에 추가하여 사용할 수 있습니다. 각 asset 별 'args'에 추가하여 사용합니다.

AD의 pipeline은 Input - Readiness - Modeling(train/inference) - Output asset 순으로 구성되어 있으며 각 asset의 기능에 맞추어 user arguments가 다르게 구성되어 있습니다. experimental_plan.yaml에 기입되어 있는 필수 user arguments를 먼저 사용해보시고, user arguments를 추가하여 데이터에 딱 맞는 AD 모델을 만들어보세요!

User arguments 요약​

아래는 AD의 user arguments list입니다. 'Argument 명'을 누르면 해당 arguments의 상세 설명으로 이동할 수 있습니다.

Default​

  • 'Default' 항목은 해당 user argument의 기본 값 입니다.
  • 기본 값이 없는 경우 '-' 로 표기하였습니다.
  • default에 로직이 있는 경우에는 '설명 참고'로 표기하였습니다. 'Argument 명'을 눌러 상세 설명을 확인해 주세요

ui_args​

  • 아래 표의 'ui_args'는 AI Conductor의 UI에서 argument 값을 변경할 수 있는 ui_args기능 지원 여부를 나타냅니다.
  • O: experimental_plan.yaml의 ui_args밑에 해당 argument 명을 기입하면 AI Conductor UI에서 arguments 값을 변경할 수 있습니다.
  • X: ui_args 기능을 지원하지 않습니다.
  • ui_args에 대한 자세한 설명은 다음 가이드를 확인해 주세요. Write UI Parameter
  • AD experimental_plan.yaml에는 ui_args가 될 수 있는 user arguments의 ui_args_detail을 미리 전부 기입해 놓았습니다.      

사용자 설정 필수 여부​

  • 아래 표의 '사용자 설정 필수 여부'는 AI Contents를 동작시키기 위해 사용자가 반드시 확인하고 변경해야 할 user arguments 입니다.
  • O: 일반적으로 과제, 데이터 관련 정보를 입력하는 arguments로 사용자가 모델링 전에 확인해야 합니다.
  • X: 사용자가 값을 변경하지 않으면 default 값으로 모델링이 진행됩니다.
Asset명Argument typeArgument 명Default설명사용자 설정 필수 여부ui_args
InputCustomfile_typecsvinput data의 파일 확장자를 입력합니다.XX
InputCustomencodingutf-8input data의 encoding type을 입력합니다.XX
Readiness필수x_columns-이상 탐지를 하기 위한 컬럼들을 입력합니다.OO
Readiness필수time_column-각 포인트 별 time을 식별할 수 있도록 time 값이 들어가 있는 컬럼을 입력합니다.OO
Readiness필수groupkey-포인트들을 그룹별로 묶어서 이상탐지를 원하는 경우 입력합니다. 그렇지 않은 경우 공란으로 두면 됩니다.OX
ReadinessCustomy_columns-만약 라벨이 존재하는 경우 각 포인트 별 라벨이 들어 있는 컬럼을 입력합니다. x_columns가 복수 개인 경우 해당 개수 만큼의 컬럼들을 리스트로 입력해야 합니다.XX
Preprocess필수handling_missingdropmissing 값이 존재하는 row를 어떻게 처리할 지 결정합니다.OX
Preprocess필수handling_scalingnone데이터 스케일링 방법을 결정합니다.OX
Preprocess필수drop_duplicate_timeTrue중복되는 time column 값이 있을 경우 해당 row 들을 하나만 남기고 drop할지를 결정합니다.OX
Train필수train_models[dt,sr,stl_dt,stl_sr]이상 탐지에 사용할 모델들을 입력합니다.OX
Train필수decision_ruletwo이상탐지 방향을 선택합니다. two 인경우 위아래로 threshold 넘는 데이터는 이상으로 탐지됩니다.OX
Train필수hpo_repeat20bayesian optimization을 진행할 횟수를 결정합니다.OX
Train필수return_allTrue사용된 모든 모델에 의한 결과를 받을 것인지 결정합니다.OX
Train필수objective_cal_metricdistancebayesian optimization의 score metric 을 결정합니다.OX
TrainCustomrolling_window[10, 100, "int"]모델 dynamic_threshold의 bayesian optimization 중 rolling_window 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomthreshold_margin[0.1, 2, "float"]모델 dynamic_threshold의 bayesian optimization 중 threshold_margin 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomma_es[1, 2, "int"]모델 dynamic_threshold의 bayesian optimization 중 ma_es 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomwindow_size_amp[3, 35, "int"]모델 spectral_residual의 bayesian optimization 중 window_size_amp 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomwindow_size_score[40, 300, "int"]모델 spectral_residual의 bayesian optimization 중 window_size_score 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomthreshold_level[99, 99.9, "float"]모델 spectral_residual의 bayesian optimization 중 threshold_level 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomstl_dt_period[7, 21, "int"]모델 stl_dt 의 bayesian optimization 중 stl_dt_period 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomstl_dt_seasonal[4, 8, "int"]모델 stl_dt 의 bayesian optimization 중 stl_dt_seasonal 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomstl_dt_threshold_margin[1, 3, "float"]모델 stl_dt 의 bayesian optimization 중 stl_dt_threshold_margin 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomstl_sr_window_size_amp[3, 35, "int"]모델 stl_sr 의 bayesian optimization 중 stl_sr_window_size_amp 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomstl_sr_window_size_score[40, 300, "int"]모델 stl_sr 의 bayesian optimization 중 stl_sr_windwo_size_score 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomstl_sr_threshold_level[99, 99.9, "float"]모델 stl_sr 의 bayesian optimization 중 stl_sr_threshold_level 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomstl_sr_period[7, 21, "int"]모델 stl_sr 의 bayesian optimization 중 stl_sr_period 파라미터 의 서칭 스페이스 입니다.XX
TrainCustomstl_sr_seasonal[4, 8, "int"]모델 stl_sr 의 bayesian optimization 중 stl_sr_seasonal 파라미터 의 서칭 스페이스 입니다.XX
inference필수model_selectallinference 시 여러 모델 중 어떤 모델을 사용할지를 결정합니다.OX

User arguments 상세 설명​

Input asset​

file_type​

Input data의 파일 확장자를 입력합니다. 현재 AI Solution 개발은 csv 파일만 가능합니다.

  • Argument type: 필수
  • 입력 type
    • string
  • 입력 가능한 값
    • csv (default)
  • 사용법
    • file_type: csv  
  • ui_args: X

encoding​

Input data의 encoding type을 입력합니다. 현재 AI Solution 개발은 utf-8 인코딩만 가능합니다.  

  • Argument type: 필수
  • 입력 type
    • string
  • 입력 가능한 값
    • utf-8 (default)
  • 사용법
    • encoding: utf-8
  • ui_args: X

Readiness asset​

y_columns​

이상 탐지를 진행하려는 데이터 각각이 어느 라벨에 속하는지에 대한 정보가 담긴 컬럼들을 입력합니다. AD는 기본적으로 라벨을 필요로 하지 않으므로 라벨을 이용하여 결과를 얻고 싶은 경우에만 입력합니다. 복수의 컬럼을 지원하며 이 경우 x 컬럼 각각에 대한 라벨 수만큼의 컬럼들이 존재해야 합니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • 컬럼 명
  • 사용법
    • y_columns : [y_col1,y_col2]
  • ui_args: X

groupkey​

이상 탐지를 진행하려는 데이터를 그룹 별로 이상탐지를 하려는 경우 각 데이터가 어느 그룹에 속하는지 정보가 담긴 컬럼을 입력합니다. 만약 그룹별로 진행을 원치 않는 경우 공란으로 둡니다. 현재 하나의 그룹키 컬럼을 지원합니다.

  • Argument type: 필수
  • 입력 type
    • list
  • 입력 가능한 값
    • 컬럼 명
  • 사용법
    • groupkey : [groupkey_col_example]
  • ui_args: X

x_columns​

이상 탐지를 진행하려는 데이터가 담긴 컬럼들을 입력합니다. 복수의 컬럼을 지원합니다.

  • Argument type: 필수
  • 입력 type
    • list
  • 입력 가능한 값
    • 컬럼 명
  • 사용법
    • x_columns : [x_col1,x_col2]
  • ui_args: O

time_column​

이상 탐지를 진행하려는 데이터가 계측된 시간값이 담긴 컬럼을 입력합니다.

  • Argument type: 필수
  • 입력 type
    • string
  • 입력 가능한 값
    • 컬럼 명
  • 사용법
    • time_column : [time_col_example]
  • ui_args: O

Preprocess asset​

handling_missing​

이상 탐지를 하고자 하는 데이터에 missing이 존재하는 경우 이를 어떻게 처리할 지를 결정하게 됩니다.drop 인경우 해당 row를 제거합니다.most_frequent는 최빈값, mean은 평균값, median는 중앙값, interpolation은 이전값과 다음값의 interpolation 값으로 채워 넣습니다.

  • Argument type: 필수
  • 입력 type
    • string
  • 입력 가능한 값
    • drop (default)
    • drop
    • most_frequent
    • mean
    • median
    • interpolation
  • 사용법
    • handling_missing : drop
  • ui_args: X

handling_scaling​

이상 탐지를 하고자 하는 데이터를 어떤 방식으로 scaling 할 지를 결정하게 됩니다. standard인 경우 train 데이터의 mean과 std를 이용하여 평균0 분산 1로 scaling 하게 됩니다. minmax 인 경우 train 데이터의 min 값, max 값을 통해 값을 01 사이로 조정하게 됩니다. maxabs인 경우 train 데이터의 절대값의 최댓값을 이용하여 01 사이로 값을 조정하게 됩니다. robust인 경우 train 데이터의 median과 사분위 값을 이용하여 scaling 하게 됩니다. normalizer의 경우 데이터의 특성벡터의 길이가 1이 되도록 scaling 하게 됩니다. 아무것도 입력하지 않은 경우 별도의 scaling을 진행하지 않습니다.

  • Argument type: 필수
  • 입력 type
    • string
  • 입력 가능한 값
    • none (default)
    • stadard
    • minmax
    • maxabs
    • robust
    • normalizer
  • 사용법
    • handling_scaling : minmax
  • ui_args: X

drop_duplicate_time​

이상 탐지를 하고자 하는 데이터의 time 컬럼에 중복이 존재하는 경우 해당 중복 row들을 어떻게 처리할 지를 결정합니다.True인 경우 time column이 중복되는 row 중 하나만 남기고 제거합니다.

  • Argument type: 필수
  • 입력 type
    • string
  • 입력 가능한 값
    • True (default)
    • True
    • False
  • 사용법
    • drop_duplicate_time : True
  • ui_args: X

Train asset​

train_models​

이상 탐지를 하고자 하는 데이터들을 다른 4개의 모델 중 어떤 모델들을 사용하여 이상탐지를 할 것 인지를 결정합니다. dt 인 경우 dynamic_threshold 모델을 이용합니다, sr 인경우 spectral_residual을 사용합니다. 그외에도 stl_dt, stl_sr을 사용 가능하며, 사용할 모델들을 리스트 형태로 입력합니다. 별도로 입력하지 않는 경우 4가지 모델을 전부 사용합니다.

  • Argument type: 필수
  • 입력 type
    • list
  • 입력 가능한 값
    • [dt,sr,stl_dt,stl_sr] (default)
    • [사용자가 사용하길 원하는 모델들]
  • 사용법
    • train_models: [dt,sr]
  • ui_args: X

decision_rule​

이상 탐지를 하고자 하는 데이터들을 어느 방향으로 이상탐지를 할것인지를 결정합니다. upper 인경우 정해진 기준보다 큰 포인트, lower인 경우 정해진 기준보다 작은 포인트, two 인 경우 위아래 모두 에서 threshold 이상을 벗어나는 데이터를 이상으로 탐지됩니다.

  • Argument type: 필수
  • 입력 type
    • string
  • 입력 가능한 값
    • two (default)
    • upper
    • lower
    • two
  • 사용법
    • decision_rule: two
  • ui_args: X

hpo_repeat​

이상 탐지를 진행 할 때 각 모델들은 bayesian optimization을 통해 최적의 파라미터를 찾게 됩니다. 이때 bayesian optimization을 몇번 진행할 것인지를 결정합니다. 0 으로 입력하는 경우 bayesian optimization은 진행되지 않으며, 각 모델의 파라미터는 서칭스페이스에서 무작위로 추출되게 됩니다.

  • Argument type: 필수
  • 입력 type
    • int
  • 입력 가능한 값
    • 20 (default)
  • 사용법
    • hpo_repeat: 20
  • ui_args: X

return_all​

다수의 모델로 이상탐지를 진행하는 경우 모든 모델 각각에 의한 결과를 return 할 것인지 여부를 결정합니다. False인 경우 가장 최적의 모델의 결과만 리턴 됩니다.

  • Argument type: 필수
  • 입력 type
    • Boolean
  • 입력 가능한 값
    • True (default)
    • True
    • False
  • 사용법
    • return_all: True
  • ui_args: X

objective_cal_metric​

이상 탐지를 진행 할 때 각 모델들은 bayesian optimization을 통해 최적의 파라미터를 찾게 됩니다. 이때 bayesian optimization의 score metric을 결정합니다.distance로 입력하는 경우 사전에 정의된, 모델이 출력한 ok 데이터의 분포와 ng 데이터의 분포의 거리가 멀어지도록 하는 알고리즘을 이용하게 됩니다. 만약 y 컬럼이 존재하는 경우 precision,recall, f1 중 하나를 사용할 수 있으며, 이 경우 해당 score를 직접 maximize 하는 방향으로 bayesian optimization을 진행하게 됩니다.

  • Argument type: 필수
  • 입력 type
    • string
  • 입력 가능한 값
    • distance (default)
    • distance
    • precision (y 컬럼 존재 시에만 가능)
    • recall (y 컬럼 존재 시에만 가능)
    • f1 (y 컬럼 존재 시에만 가능)
  • 사용법
    • return_all: True
  • ui_args: X

rolling_window​

이상 탐지 모델 중 dynamic threshold 는 이동 평균 기반의 모델입니다. 이때 윈도가 이동하면서 평균을 내기 위한 window size를 찾기 위한 bayesian optimization 서칭 스페이스입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [10,100,'int'] (default)
    • [사용자 판단에 따른 적절한 양의 정수 값,사용자 판단에 따른 적절한 양의 정수 값,'float']
    • 사용자 판단에 따른 적절한 양의 정수 값
  • 사용법
    • rolling_window: [10,100,'int']
  • ui_args: X

threshold_margin​

이상 탐지 모델 중 dynamic threshold 는 threshold를 변경해가면서 최적의 anomaly detection을 진행합니다. 이때 최적의 threshold 를 찾기 위한 bayesian optimization 서칭 스페이스입니다.min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [0.1,2,'float'] (default)  
    • [사용자 판단에 따른 적절한 양의 실수 값,사용자 판단에 따른 적절한 양의 실수 값,'float']
    • 사용자 판단에 따른 적절한 양의 실수 값
  • 사용법
    • threshold_margin: [0.1,2,'float']
  • ui_args: X

ma_es​

이상 탐지 모델 중 dynamic threshold 는 이동 평균 기반의 모델입니다. 이때 이동 평균을 단순 이동평균을 할지 지수가중평균을 할지를 결정하는 bayesian optimization 서칭 스페이스입니다.min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom

  • 입력 type

    • list

  • 입력 가능한 값

    • [1,2,'int'] (default)
    • 1 혹은 2 (1 선택 시 단순 moving average, 2 선택 시 지수가중평균)

  • 사용법

    • ma_es : [1,2,'int']

  • ui_args: X

window_size_amp​

모델 spectral_residual의 bayesian optimization 중 window_size_amp 파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.  

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [3,35,'int'] (default)
    • [사용자 판단에 따른 적절한 양의 정수 값,사용자 판단에 따른 적절한 양의 정수 값,'int']
    • 사용자 판단에 따른 적절한 양의 정수 값
  • 사용법
    • window_size_amp : [3,35,'int']
  • ui_args: X

window_size_score​

모델 spectral_residual의 bayesian optimization 중 window_size_score 파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [40,300,'int'] (default)  
    • [사용자 판단에 따른 적절한 양의 정수 값,사용자 판단에 따른 적절한 양의 정수 값,'int']
    • 사용자 판단에 따른 적절한 양의 정수 값
  • 사용법
    • window_size_score : [40,300,'int']
  • ui_args: X

threshold_level​

모델 spectral_residual의 bayesian optimization 중 threshold_level 파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [99,99.9,'float'] (default)
    • [사용자 판단에 따른 적절한 양의 실수 값,사용자 판단에 따른 적절한 양의 실수 값,'float']
    • 사용자 판단에 따른 적절한 양의 실수 값
  • 사용법
    • threshold_level : [99,99.9,'float']
  • ui_args: X

stl_dt_period​

모델 stl_dt 의 bayesian optimization 중 stl_dt_period 파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [7,21,'int'] (default)
    • [사용자 판단에 따른 적절한 양의 정수 값,사용자 판단에 따른 적절한 양의 정수 값,'int']
    • 사용자 판단에 따른 적절한 양의 정수 값
  • 사용법
    • stl_dt_period : [7,21,'int']
  • ui_args: X

stl_dt_seasonal​

모델 stl_dt 의 bayesian optimization 중 stl_dt_seasonal 파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [4,8,'int'] (default)
    • [사용자 판단에 따른 적절한 양의 정수 값,사용자 판단에 따른 적절한 양의 정수 값,'int']
    • 사용자 판단에 따른 적절한 양의 정수 값
  • 사용법
    • stl_dt_seasonal : [4,8,'int']
  • ui_args: X

stl_dt_threshold_margin​

모델 stl_dt 의 bayesian optimization 중 stl_dt_threshold_margin 파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [1,3,'float'] (default)
    • [사용자 판단에 따른 적절한 양의 실수 값,사용자 판단에 따른 적절한 양의 실수 값,'float']
    • 사용자 판단에 따른 적절한 양의 실수 값
  • 사용법
    • stl_dt_threshold_margin : [1,3,'float']
  • ui_args: X

stl_sr_window_size_amp​

모델 stl_sr 의 bayesian optimization 중 stl_sr_window_size_amp 파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [3,35,'int'] (default)
    • [사용자 판단에 따른 적절한 양의 정수 값,사용자 판단에 따른 적절한 양의 정수 값,'int']
    • 사용자 판단에 따른 적절한 양의 정수 값
  • 사용법
    • stl_sr_window_size_amp : [3,35,'int']
  • ui_args: X

stl_sr_window_size_score​

모델 stl_sr 의 bayesian optimization 중 stl_sr_window_size_score 파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [40,300,'int'] (default)
    • [사용자 판단에 따른 적절한 양의 정수 값,사용자 판단에 따른 적절한 양의 정수 값,'int']
  • 사용법
    • stl_sr_window_size_score : [40,300,'int']
  • ui_args: X

stl_sr_threshold_level​

모델 stl_sr 의 bayesian optimization 중 stl_sr_threshold_level파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [99,99.9,'float'] (default)
    • [사용자 판단에 따른 적절한 양의 실수 값,사용자 판단에 따른 적절한 양의 실수 값,'float']
    • 사용자 판단에 따른 적절한 양의 실수 값
  • 사용법
    •  stl_sr_threshold_level: [99,99.9,'float']
  • ui_args: X

stl_sr_period​

모델 stl_sr 의 bayesian optimization 중 stl_sr_period 파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [7,21,'int'] (default)
    • [사용자 판단에 따른 적절한 양의 정수 값,사용자 판단에 따른 적절한 양의 정수 값,'int']
    • 사용자 판단에 따른 적절한 양의 정수 값
  • 사용법
    •  stl_sr_period: [7,21,'int']
  • ui_args: X

stl_sr_seasonal​

모델 stl_sr 의 bayesian optimization 중 stl_sr_seasonal 파라미터 의 서칭 스페이스 입니다. min 값, max 값, 값 타입(int or float)를 순서대로 리스트 형태로 입력합니다. 서칭 스페이스를 직접 조절하고 싶은 경우에만 입력하면 되며, 입력하지 않는 경우 내장된 기본 서칭스페이스를 사용하게 됩니다. 단일 값으로 입력하는 경우 해당 값으로 고정되며 bayesian optizmization은 진행되지 않습니다. stl_sr_seasonal 값은 원래 홀수여야 하므로, 입력된 값이 n 인 경우 실제로 적용되는 값은 2*n-1이 됩니다.

  • Argument type: Custom
  • 입력 type
    • list
  • 입력 가능한 값
    • [4,8,'int'] (default)
    • [사용자 판단에 따른 적절한 양의 정수 값,사용자 판단에 따른 적절한 양의 정수 값,'int']
    • 사용자 판단에 따른 적절한 양의 정수 값
  • 사용법
    •  stl_sr_seasonal: [4,8,'int']
  • ui_args: X

Inference asset​

model_select​

inference 시 어떤 모델을 통해 inference을 진행할지를 결정합니다. best 인경우 최적의 모델, 특정 모델 명을 입력하면 해당 모델을 통해 inference를 진행합니다. all인 경우 모든 모델의 inference 결과를 리턴 합니다.

  • Argument type: 필수

  • 입력 type

    • string

  • 입력 가능한 값

    • all (default)
    • dt
    • sr
    • stl_dt
    • stl_sr
    • all
    • best

  • 사용법

    • model_select: all

  • ui_args: X

AD Version: 2.0.1