EXAONE Tabular

POST /v1/tabular/classification

POST /v1/tabular/regression

LG AI연구원이 개발한 정형 데이터 특화 AI 모델, EXAONE Tabular를 만나보세요. 표 형태의 데이터를 기반으로 분류 및 회귀 예측을 수행하며, 별도의 모델 재학습 없이 다양한 산업 분야의 데이터 분석에 활용할 수 있습니다.

요청 정보

요청 Content-Type: multipart/form-data

Field	Type	Description	Required
`train_file`	file	학습용 csv 파일	mandatory
`test_file`	file	예측 대상 행을 포함한 csv 파일	mandatory
`mode`	string	`default` 입력	mandatory
`output_type`	string	분류: `class` / `probability` (default: `"class"`) 회귀: `point`(점 예측값) / `full`(분위수 기반 예측 분포)(default: "`point`")	mandatory
`target_columns`	array<string>	예측 대상 타깃 컬럼명 (default: `"target"`) 첫번째 값만 사용하므로 1개만 입력할 것	mandatory

응답 정보

분류

Field	Type	Description
`result_code`	number	http status code
`description`	string	오류 상세 설명(result_code가 200일 경우 null)
`data.target_columns`	array<string>	타깃 컬럼명 목록
`data.classes`	array<array>string>>	분류 전용 타깃별 클래스 목록 해당 task의 학습용 타깃값을 문자열로 변환하여 구성하며, 확률의 클래스 순서와 대응
`data.labels`	array<array<string>>	분류에서 `output_type="class"`일 때 반환 `[예측 행][타깃]` 순서의 예측 라벨
`data.probabilities`	array<array<array<number>>>	분류에서 `output_type="probability"`일 때 반환 `[예측 행][타깃][클래스]` 순서의 확률

회귀

Field	Type	Description
`result_code`	number	http status code
`description`	string	오류 상세 설명(result_code가 200일 경우 null)
`data.target_columns`	array<string>	타깃 컬럼명 목록
`data.predictions`	array<array>number>>	예측 대상 행의 수치형 점 예측값
`data.quantiles`	array<array<number>>	예측 대상 행의 타깃별 예측 분포
`data.quantile_levels`	array<array<number>>	quantiles의 각 인덱스에 해당하는 누적 확률

예측 결과 해석

분류와 회귀 모두 각 task의 예측 대상 행에 대한 결과를 반환하며, 학습용 행의 예측값은 포함하지 않습니다.

task type	출력 유형	의미
Classification	class	각 예측 대상 행의 예측 클래스
Classification	probability	각 예측 대상 행의 클래스별 확률
Regression	point prediction	각 예측 대상 행의 수치형 점 예측값
Regression	distribution	각 예측 대상 행의 타깃값에 대한 예측 분포

분류의 labels와 probabilities는 요청한 output_type에 따라 하나만 반환합니다.

현재 단일 타깃 기준으로 결과 크기는 다음과 같습니다. 분류에서 output_type = "probability"일 경우 확률은 classes에 나열된 순서로 반환하며, 소수점 여섯 자리로 반올림됩니다.

output_type	결과 필드	크기
`class`	`labels`	`(n_test_rows, 1)`
`probability`	`probabilities`	`(n_test_rows, 1, n_classes)`

회귀의 distribution은 분류의 클래스별 확률과 다른 출력입니다. 회귀는 output_type="point"일 때 점 예측값을 반환하고, output_type="full"일 때 분위수 기반의 예측 분포를 반환합니다.

출력 유형	논리적 결과 단위	구조 설명
point prediction	예측 행·타깃별 숫자 한 개	공통 타깃 축을 유지하면 단일 타깃의 크기는 `(n_test_rows, 1)`
distribution	예측 행·타깃별 예측 분포	분포의 표현 방식에 따라 자료형과 크기가 달라지므로 별도 명세 필요

output_type	결과 필드	크기
`point(기본값)`	`predictions`	`(n_test_rows, 1)`
`full`	`quantiles`	`(n_test_rows, 1, 999)`
`full`	`quantile_levels`	`(1, 999)`

quantiles: test_row의 예측 분포를 quantile_levels 길이의 값들로 나타냄

quantile_levels: quantiles의 각 인텍스에 해당하는 누적 확률(CDF)입니다. 즉, quantile_levels[target][i]는 target이 quantiles[row][target][i] 이하일 예측 확률입니다.

quantile_levels는 i/(N+1) (i = 1…N, N = 999이면 0.001 ~ 0.999)로 정해지기 때문에 quantiles 마지막 축의 크기만으로 구할 수 있습니다. 해당 필드는 응답의 완결성을 위해 포함하여 사용자가 level 값을 hard-code하지 않아도 되고, 추후 모델 checkpoint의 quantile 개수나 분포가 바뀌어도 같은 방식으로 동작할 수 있습니다.

사용 방법: quantile_levels[0]에서 원하는 누적 확률(예: 0.05, 0.95)의 index를 찾고, 같은 index로 quantiles[row][0]을 읽으면 그 행의 해당 quantile 값을 찾을 수 있습니다.

요청 예제 (분류)

curl 'https://api.exaone.ai/v1/tabular/classification' \
  -H "Authorization: Bearer $EXAONE_API_KEY" \
  -F 'train_file=@classification_train.csv;type=text/csv' \
  -F 'test_file=@classification_test.csv;type=text/csv' \
  -F 'mode=default' \
  -F 'output_type=class' \
  -F 'target_columns=churn'

import requests

url = "https://api.exaone.ai/v1/tabular/classification"
headers = {
    "Authorization": f"Bearer {EXAONE_API_KEY}",
}
data = {
    "mode": "default",
    "output_type": "class",
    "target_columns": "churn",
}

with (
    open("classification_train.csv", "rb") as train_file,
    open("classification_test.csv", "rb") as test_file,
):
    files = {
        "train_file": ("classification_train.csv", train_file, "text/csv"),
        "test_file": ("classification_test.csv", test_file, "text/csv"),
    }
    response = requests.post(url=url, headers=headers, data=data, files=files)

print(response.text)

const fs = require('fs');

(async () => {
  const url = 'https://api.exaone.ai/v1/tabular/classification';
  const headers = {
    Authorization: `Bearer ${process.env.EXAONE_API_KEY}`,
  };

  const form = new FormData();
  form.append(
    'train_file',
    new Blob([fs.readFileSync('classification_train.csv')], { type: 'text/csv' }),
    'classification_train.csv',
  );
  form.append(
    'test_file',
    new Blob([fs.readFileSync('classification_test.csv')], { type: 'text/csv' }),
    'classification_test.csv',
  );
  form.append('mode', 'default');
  form.append('output_type', 'class');
  form.append('target_columns', 'churn');

  try {
    const response = await fetch(url, {
      method: 'POST',
      headers: headers,
      body: form,
    });
    console.log(await response.text());
  } catch (error) {
    console.error('Error:', error);
  }
})();

응답 예제 (분류)

{
  "result_code": 200,
  "description": null,
  "data": {
    "target_columns": ["churn"],
    "classes": [["no", "yes"]],
    "labels": [
      ["yes"],
      ["yes"],
      ["no"],
      ["no"],
      ["yes"],
      ["no"],
      ["yes"],
      ["no"],
      ["no"],
      ["yes"],
      ["yes"],
      ["no"]
    ],
    "probabilities": null
  }
}

요청 예제 (회귀)

curl 'https://api.exaone.ai/v1/tabular/regression' \
  -H "Authorization: Bearer $EXAONE_API_KEY" \
  -F 'train_file=@regression_train.csv;type=text/csv' \
  -F 'test_file=@regression_test.csv;type=text/csv' \
  -F 'mode=default' \
  -F 'output_type=point' \
  -F 'target_columns=price'

import requests

url = "https://api.exaone.ai/v1/tabular/regression"
headers = {
    "Authorization": f"Bearer {EXAONE_API_KEY}",
}
data = {
    "mode": "default",
    "output_type": "point",
    "target_columns": "price",
}

with (
    open("regression_train.csv", "rb") as train_file,
    open("regression_test.csv", "rb") as test_file,
):
    files = {
        "train_file": ("regression_train.csv", train_file, "text/csv"),
        "test_file": ("regression_test.csv", test_file, "text/csv"),
    }
    response = requests.post(url=url, headers=headers, data=data, files=files)

print(response.text)

const fs = require('fs');

(async () => {
  const url = 'https://api.exaone.ai/v1/tabular/regression';
  const headers = {
    Authorization: `Bearer ${process.env.EXAONE_API_KEY}`,
  };

  const form = new FormData();
  form.append(
    'train_file',
    new Blob([fs.readFileSync('regression_train.csv')], { type: 'text/csv' }),
    'regression_train.csv',
  );
  form.append(
    'test_file',
    new Blob([fs.readFileSync('regression_test.csv')], { type: 'text/csv' }),
    'regression_test.csv',
  );
  form.append('mode', 'default');
  form.append('output_type', 'point');
  form.append('target_columns', 'price');

  try {
    const response = await fetch(url, {
      method: 'POST',
      headers: headers,
      body: form,
    });
    console.log(await response.text());
  } catch (error) {
    console.error('Error:', error);
  }
})();

응답 예제 (회귀)

{
  "result_code": 200,
  "description": null,
  "data": {
    "target_columns": ["price"],
    "predictions": [
      [240.70724487304688],
      [114.92210388183594],
      [263.53741455078125],
      [138.78909301757812],
      [242.1593475341797],
      [76.70890045166016],
      [160.2372589111328],
      [135.4267578125],
      [143.27110290527344],
      [191.79373168945312],
      [229.5113983154297],
      [130.65866088867188]
    ],
    "quantiles": null,
    "quantile_levels": null
  }
}