Module sktmls.models.contrib.generic_logic_model
Classes
class GenericLogicModel (model_name: str, model_version: str, features: List[str], model=None, preprocess_logic: Dict[str, List[Any]] = None, postprocess_logic: Dict[str, List[Any]] = None, predict_fn: str = 'predict', data: Dict[str, Any] = {})-
MLS 모델 레지스트리에 등록되는 단일 모델 기반의 클래스입니다.
전처리 로직과 후처리 로직을 json 형태로 전달하여 프로세스합니다.
Args
- model_name: (str) 모델 이름
- model_version: (str) 모델 버전
- features: (list(str)) 피쳐 이름 리스트
- model: (optional) ML 라이브러리로 학습한 모델 객체 (기본값: None)
- preprocess_logic: (optional) (dict) 전달된 피쳐
x로부터 ML모델의 predict 함수에 input으로 들어갈preprocessed_x를 만드는 전처리 로직 (기본값: 아래 참조) - postprocess_logic: (optional) (dict) ML모델의 predict 함수 결과로 얻어진
y로부터 리턴 body(items 리스트)를 만드는 후처리 로직 (기본값: 아래 참조) - predict_fn: (optional) (str) ML모델의 추론 함수 이름 (
predict|predict_proba|none) (기본값:predict)none전달 시 ML모델 추론을 사용하지 않습니다 (룰 모델).model_lib이pytorch인 경우 이 파라미터는 무시됩니다.
- data: (optional) (dict)
preprocess_logic과postprocess_logic에서 피쳐와 함께 "var" 참조할 추가 데이터 (기본값: {})- 피쳐 이름과 같은 키 존재 시 피쳐 값을 덮어쓰게 됩니다. 주의하세요!
Example
자세한 예제는 아래를 참조하세요.
# 피쳐 이름 # 유저 프로파일에 존재하는 디멘전의 이름 리스트 features = ["feature1", "feature2", "feature3", "embedding_vector", "context_feature1", "context_feature2"] # 전처리 로직 # 전달된 피쳐로부터 preprocessed_x를 만드는 로직을 정의합니다. # 피쳐 값은 {"var": ["피쳐이름", 기본값]} 으로 참조합니다. # 이해를 돕기 위한 예시이며 실제 문제와는 다를 수 있습니다. 그대로 사용하지 마시고 참고만 해 주세요. # 전달하지 않은 경우 x 리스트를 전처리 없이 그대로 사용합니다. preprocess_logic = { # float: 리스트의 모든 element를 float으로 캐스팅합니다. "float": [ # merge: element들을 하나의 리스트에 합쳐 반환합니다. {"merge": [ {"var": ["feature1", 0]}, {"if": [ {"==": [{"var": ["feature2", "N/A"]}, "S"]}, 1, {"==": [{"var": ["feature2", "N/A"]}, "V"]}, 2, 0 ]}, {"var": ["feature3", 0]}, # replace: 리스트 내 None을 0.0으로 교체 {"replace": [ None, 0.0, # pick: 리스트의 특정 인덱스만 뽑아서 리턴 {"pick": [ {"var": ["embedding_vector", [0.0] * 64]}, [1, 2] ]} ]}, # weekday: 요일 리턴 (월요일: 1 ~ 일요일: 7) {"weekday": []}, # day: 오늘 날짜 # ndays: 이번 달 마지막 날짜 # /: 나누기 {"/": [{"day": []}, {"ndays": []}]}, # get: 리스트 또는 딕셔너리에서 해당 인덱스 꺼내기 {"get": [ {"replace": [ "#", "0.0", { # pf: 프로파일 조회 # - 타입: (`user`|`item`) # - 프로파일ID # - 조회할 user_id 또는 item_id # - 조회할 키 디멘전 "pf": [ "item", "device", # additional_keys: Recommendation API(v3 이상)으로부터 전달된 추가 키 리스트 # additional_keys.0: 0번째 element {"var": ["additional_keys.0", "ABCD"]}, ["sale_cnt"] ] } ]}, 0 ]} ] }] } # 후처리 로직 # 계산된 y로부터 최종 리턴 body(items 리스트)를 만드는 로직을 정의합니다. # 피쳐 값은 {"var": "피쳐이름"} 으로 참조합니다. # y 값은 {"var": "y"} 으로 참조합니다. # y가 리스트인 경우 {"var": "y.0"}, {"var": "y.1"} 등으로 참조합니다. # 이해를 돕기 위한 예시이며 실제 문제와는 다를 수 있습니다. 그대로 사용하지 마시고 참고만 해 주세요. # 전달하지 않은 경우 아래 기본값이 사용됩니다. # [{"id": "ID", "name": "NAME", "type": "TYPE", "props": {"score": {"var": "y"}}}] postprocess_logic = { "if": [ # if # 25 <= age < 65 이며 # five_g_yn == "N" 인 경우 { "and": [ {">=": [{"var": ["age", 0]}, 25]}, {"<": [{"var": ["age", 0]}, 65]}, {"==": [{"var": ["five_g_yn", "N"]}, "N"]}, ] }, # then { "list": [ { "dict": [ "id", "PRODUCT001", "name", "상품001", "type", "타입", "props", { "dict": [ "context_id", { "if": [ # if context_feature1의 값이 Y이면 {"==": [{"var": ["context_feature1", "N"]}, "Y"]}, # "context_feature1"을 context_id로 사용 "context_feature1", # else if context_feature2의 값이 Y이면 {"==": [{"var": ["context_feature2", "N"]}, "Y"]}, # "context_feature2"을 context_id로 사용 "context_feature2", # else "default_context"를 context_id로 사용 "default_context" ] } ] } ] } ] }, # else if # 19 <= age < 25 이며 # five_g_yn == "N" 인 경우 { "and": [ {">=": [{"var": ["age", 0]}, 19]}, {"<": [{"var": ["age", 0]}, 25]}, {"==": [{"var": ["five_g_yn", "N"]}, "N"]}, ] }, # then { "list": [ { "dict": [ "id", "PRODUCT002", "name", "상품002", "type", "타입", "props", { "dict": [ "context_id", { "if": [ # if context_feature1의 값이 Y이면 {"==": [{"var": ["context_feature1", "N"]}, "Y"]}, # "context_feature1"을 context_id로 사용 "context_feature1", # else if context_feature2의 값이 Y이면 {"==": [{"var": ["context_feature2", "N"]}, "Y"]}, # "context_feature2"을 context_id로 사용 "context_feature2", # else "default_context"를 context_id로 사용 "default_context" ] } ] } ] } ] }, # else # None을 리턴 None ] } my_model_v1 = GenericLogicModel( model=model, model_name="my_model", model_version="v1", features=features, preprocess_logic=preprocess_logic, postprocess_logic=postprocess_logic, predict_fn="predict" ) # 정확한 로깅을 위한 사용 라이브러리 명시 (권장) (`sklearn`|`lightgbm`|`xgboost`|`catboost`|`pytorch`|`rule`|`etc`) my_model_v1.model_lib = "lightgbm" my_model_v1.model_lib_version = "2.3.1"Ancestors
Methods
def predict(self, x: List[Any], **kwargs) ‑> Dict[str, Any]
Inherited members