---
sourceDocument: Xanadu API 참조
sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/ko-KR/xanadu/api-reference

 Release :

    - xanadu

ft:locale :

    - ko-KR

ft:publication_title :

    - Xanadu API 참조

ft:clusterId :

    - crapiref

bundleId :

    - crapiref

workflow :

    - Creator


---

# RegressionSolution - 전역

# RegressionSolution - 전역 {#ariaid-title1}

* 릴리스 버전: Xanadu
* 
* 업데이트 날짜 2024년 08월 01일
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 소요 시간: 19분

RegressionSolution API는 스토어에 사용되는 스크립팅 가능한 객체입니다예측 인텔리전스.

이 API에는 예측 인텔리전스 플러그인(com.glide.platform_ml)이 필요하며 `sn_ml` 네임스페이스 내에서 제공됩니다.  
솔루션 설정-교육 흐름은 다음과 같습니다.

1. [DatasetDefinition](https://servicenow-prod.fluidtopics.net/G~vF_6rUbH2W5hPkNjguTw#DatasetDefinitionAPI "DatasetDefinition API는 다음을 식별하는 메서드를 제공합니다.ML 교육 알고리즘에 대한 입력으로 사용할 테이블 이름, 열 및 행 선택 기준을 포함하는 기록 세트입니다. 데이터 세트에는 실제 데이터가 포함되어 있지 않습니다.") API를 사용하여 데이터 세트를 생성합니다.
2. 옵션입니다. [인코더](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#EncoderAPI "인코더 API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체를 제공합니다. 이 객체는 인코더별 목표와 구성에 따라 입력 데이터를 숫자 벡터로 변환합니다. 인코더는 독립적으로 인코딩을 실행하는 데 사용하거나 텍스트 열을 인코딩하는 솔루션의 일부로 구성할 수 있습니다.") API를 사용하여 인코더를 빌드합니다.
3. [생성자를](https://servicenow-prod.fluidtopics.net/JWxwVpgxfJi74yzgVlE6pA#RegressionSol-RegressionSolution_O "회귀 솔루션을 생성합니다.") 사용하여 회귀 솔루션 개체를 만듭니다.
4. [RegressionSolutionStore - add()](https://servicenow-prod.fluidtopics.net/fRK_VGsvzd9JoRZ8ewaKdA#RegressionStore-add_O "저장소에 새 솔루션 개체를 추가하고 고유한 이름을 반환합니다.") 메서드를 사용하여 회귀 솔루션 저장소에 솔루션 개체를 추가합니다.
5. [submitTrainingJob()](https://servicenow-prod.fluidtopics.net/JWxwVpgxfJi74yzgVlE6pA#RegressionSol-submitTrainingJob "교육 작업을 제출합니다.") 메서드를 사용하여 솔루션을 교육합니다. 이렇게 하면 [RegressionSolutionVersion](https://servicenow-prod.fluidtopics.net/RiKgb8vcXlW_PGdZuLmusg#RegressionSolutionVersionAPI "RegressionSolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") API를 사용하여 관리할 수 있는 객체 버전이 생성됩니다.
6. [RegressionSolutionVersion -- predict()](https://servicenow-prod.fluidtopics.net/RiKgb8vcXlW_PGdZuLmusg#RegressionVersion-predict_O_O "예측에 대한 입력 데이터를 가져옵니다.") 메서드를 사용하여 예측을 가져옵니다.

{#RegressionSolutionAPI__ol_mmm_n1c_dmb}  
주:  
이 API는 전체 권한으로 실행됩니다 . 사용자 액세스를 제한하려면 스크립트에 액세스 제어 메커니즘을 포함합니다.

사용 지침은 [ML API 사용을](https://www.servicenow.com/docs/access?context=using-ml-apis&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US) 참조하세요.

## RegressionSolution - RegressionSolution(객체 구성) {#ariaid-title2}

회귀 솔루션을 생성합니다.
{#RegressionSol-RegressionSolution_O__table_gm2_yt5_flb__entry__3}{#RegressionSol-RegressionSolution_O__solution-obj-domainN-default}{#RegressionSol-RegressionSolution_O__solution-obj-lang-desc}{#RegressionSol-RegressionSolution_O__solution-obj-stop-desc}

| 이름 | 유형 | 설명 |
|-|-|-|
| 구성 | 객체 | 의 구성 속성을 포함하는 JavaScript 객체 용액. { "algorithmConfig": {Object}, "dataset": {Object}, "domainName": "String", "encoder": {Object}, "inputFieldNames": [Array], "label": "String", "minRowCount": "String", "predictedFieldName": "String", "predictedInterval": [Array], "processingLanguage": "String", "stopwords": [Array], "trainingFrequency": "String" } |
| config.dataset | 객체 | [DatasetDefinition](https://servicenow-prod.fluidtopics.net/G~vF_6rUbH2W5hPkNjguTw#DatasetDefinitionAPI "DatasetDefinition API는 다음을 식별하는 메서드를 제공합니다.ML 교육 알고리즘에 대한 입력으로 사용할 테이블 이름, 열 및 행 선택 기준을 포함하는 기록 세트입니다. 데이터 세트에는 실제 데이터가 포함되어 있지 않습니다.") 이름입니다. |
| config.domainName | 문자열 | 옵션입니다. 이 데이터 세트와 연결된 도메인 이름입니다. [도메인 분리 및 예측 인텔리전스](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US)를 참조하십시오. 기본값: 현재 도메인(예: `"전역"`) |
| config.encoder (영문) | 객체 | 옵션입니다. 이 솔루션에 할당할 학습된 인코더 개체입니다. [인코더 - 인코더(개체 구성)](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-Encoder_O "인코더를 만듭니다.") 문서를 참조하십시오. |
| config.inputFieldNames | 배열 | 문자열로 표시된 입력 필드 이름의 목록입니다. 모델은 예측을 수행하는 데 사용되는 이러한 필드를 사용합니다. |
| config.label | 문자열 | 예측 작업을 식별합니다. |
| config.minRowCount (영문) | 문자열 | 옵션입니다. 교육을 위해 데이터 세트에 필요한 최소 기록 수입니다. 기본값: 10000 |
| config.predictedFieldName | 문자열 | 를 설정 predictedInterval하지 않는 한 필수입니다. 예측 가능성을 교육할 필드를 식별합니다. |
| config.predictedInterval | 배열 | 를 설정 predictedFieldName하지 않는 한 필수입니다. 신뢰도에 대한 솔루션을 교육할 필드 범위를 설정합니다. 숫자가 아닌 날짜 필드 2개 제공을 지원합니다. 예를 들면 `'predictedInterval': ['sys_updated_on', 'sys_created_on']`와 같습니다. |
| config.processingLanguage | 문자열 | 옵션입니다. 두 글자 ISO 639-1 언어 코드 형식의 처리 언어. 기본값 : "en" |
| config.stopwords | 배열 | 옵션입니다. 속성 설정에 따라 시스템이 자동으로 생성하는 사전 설정 문자열 목록입니다 language . 자세한 내용은 [사용자 지정 스톱 워드 목록 만들기를](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US) 참조하세요. 기본값: 영어 스톱 워드 |
| config.trainingFrequency | 문자열 | 모델을 재교육하는 빈도입니다. 가능한 값: * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#RegressionSol-RegressionSolution_O__ul_pmw_523_plb}기본값: run_once |
[표 1. 매개변수]

{#RegressionSol-RegressionSolution_O__table_gm2_yt5_flb}  
다음 예제에서는 개체를 만들고 RegressionSolution 저장소.

    var myNewData = new sn_ml.DatasetDefinition(
      { 
         'tableName' : 'incident', 
         'fieldNames' : ['category', 'short_description', 'priority'],
         'fieldDetails' : [
           {
             'name' : 'category',
             'type' : 'nominal'
           },
           {
             'name' : 'short_description',
             'type' : 'text'
           }], 
         'encodedQuery' : 'activeANYTHING'
      });

    var mySimSolution = new sn_ml.SimilaritySolution({
      'label': "my solution definition",
      'dataset' : myNewData,
      'predictedFieldName' : 'category',
      'inputFieldNames': ['short_description']
    });

    var mySimilarityName = sn_ml.SimilaritySolutionStore.add(mySimSolution);

다음 예제에서는 속성을 사용하여 predictedInterval 훈련시킬 객체를 만드는 방법을 보여줍니다.

    var myIncidentData = new sn_ml.DatasetDefinition({
    'tableName' : 'incident',
    'fieldNames' : ['short_description', 'sys_updated_on','sys_created_on'],
    'encodedQuery' : 'activeANYTHING'
    });
     
    var mySolution = new sn_ml.RegressionSolution({
    'label': 'reg assinGroup',
    'dataset' : myIncidentData,
    'predictedInterval': ['sys_updated_on', 'sys_created_on'],
    'inputFieldNames': ['short_description']
    });
     
    var my_unique_name = sn_ml.RegressionSolutionStore.add(mySolution)

## RegressionSolution - cancelTrainingJob() {#ariaid-title3}

에 대한 작업을 취소 솔루션 객체 교육을 위해 제출된
{#RegressionSol-cancelTrainingJob__table_bpb_k3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 2. 매개변수]

{#RegressionSol-cancelTrainingJob__table_bpb_k3z_llb} {#RegressionSol-cancelTrainingJob__table_cpb_k3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 없음 |   |
[표 3. 반환]

{#RegressionSol-cancelTrainingJob__table_cpb_k3z_llb}  
다음 예제에서는 기존 학습 작업을 취소하는 방법을 보여 줍니다.

    var mySolution = sn_ml.RegressionSolutionStore.get('ml_sn_global_global_regression');

    mySolution.cancelTrainingJob();

## RegressionSolution - getActiveVersion() {#ariaid-title4}

활성 항목을 가져옵니다. RegressionSolutionVersion 객체입니다.
{#RegressionSol-getActiveVersion__table_tvl_m3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 4. 매개변수]

{#RegressionSol-getActiveVersion__table_tvl_m3z_llb} {#RegressionSol-getActiveVersion__table_uvl_m3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | 활성 [RegressionSolutionVersion](https://servicenow-prod.fluidtopics.net/RiKgb8vcXlW_PGdZuLmusg#RegressionSolutionVersionAPI "RegressionSolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") 객체입니다. |
[표 5. 반환]

{#RegressionSol-getActiveVersion__table_uvl_m3z_llb}  
하는 방법을 보여 줍니다 회귀 솔루션 스토어에서 활성 버전을 가져오고 학습 상태를 반환

    var mlSolution = sn_ml.RegressionSolutionStore.get('ml_x_snc_global_global_regression');

    gs.print(JSON.stringify(JSON.parse(mlSolution.getActiveVersion().getStatus()), null, 2));

출력:

    {
      "state": "solution_complete",
      "percentComplete": "100",
      "hasJobEnded": "true"
    }

## RegressionSolution - getAllVersions() {#ariaid-title5}

다음의 모든 버전을 가져옵니다.RegressionSolution 개체입니다.
{#RegressionSol-getAllVersions__table_tvl_m3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 6. 매개변수]

{#RegressionSol-getAllVersions__table_tvl_m3z_llb} {#RegressionSol-getAllVersions__table_uvl_m3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 배열 | 솔루션 객체의 기존 버전. 참고 항목 [RegressionSolutionVersion](https://servicenow-prod.fluidtopics.net/RiKgb8vcXlW_PGdZuLmusg#RegressionSolutionVersionAPI "RegressionSolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") API입니다. |
[표 7. 반환]

{#RegressionSol-getAllVersions__table_uvl_m3z_llb}  
다음 예제에서는 모든 RegressionSolution 버전 개체를 가져오고 getVersionNumber() 및 getStatus() 솔루션 버전 메서드를 호출하는 방법을 보여 줍니다.

    var mlSolution = sn_ml.RegressionSolutionStore.get('ml_x_snc_global_global_regression');

    var mlSolutionVersions = mlSolution.getAllVersions();

    for (i = 0; i < mlSolutionVersions.length; i++) {
    gs.print("Version " + mlSolutionVersions[i].getVersionNumber() + " Status: " + mlSolutionVersions[i].getStatus() +"\n");
    };

출력:

    Version 3 Status: {"state":"solution_complete","percentComplete":"100","hasJobEnded":"true"}

    Version 2 Status: {"state":"solution_complete","percentComplete":"100","hasJobEnded":"true"}

    Version 1 Status: {"state":"solution_cancelled","percentComplete":"0","hasJobEnded":"true"}

## 회귀 솔루션 - getLatestVersion() {#ariaid-title6}

의 최신 버전을 가져옵니다. 해결책.
{#RegressionSol-getLatestVersion__table_tvl_m3z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 8. 매개변수]

{#RegressionSol-getLatestVersion__table_tvl_m3z_llb} {#RegressionSol-getLatestVersion__table_uvl_m3z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [RegressionSolutionVersion](https://servicenow-prod.fluidtopics.net/RiKgb8vcXlW_PGdZuLmusg#RegressionSolutionVersionAPI "RegressionSolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") 최신 버전에 해당하는 객체 a [RegressionSolution()](https://servicenow-prod.fluidtopics.net/JWxwVpgxfJi74yzgVlE6pA#RegressionSol-RegressionSolution_O "회귀 솔루션을 생성합니다.")입니다. |
[표 9. 반환]

{#RegressionSol-getLatestVersion__table_uvl_m3z_llb}  
다음 예제에서는 솔루션의 최신 버전을 가져오 고 교육 상태를 반환하는 방법을 보여 줍니다.{#RegressionSol-getLatestVersion__mlsol-getLatestVersion-example}

    var mlSolution = sn_ml.RegressionSolutionStore.get('ml_x_snc_global_global_regression');

    gs.print(JSON.stringify(JSON.parse(mlSolution.getLatestVersion().getStatus()), null, 2));

출력:

    {
      "state": "solution_complete",
      "percentComplete": "100",
      "hasJobEnded": "true"
    }

## RegressionSolution - getName() {#ariaid-title7}

저장소와의 상호 작용에 사용할 개체의 이름을 가져옵니다.
{#RegressionSol-getName__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 10. 매개변수]

{#RegressionSol-getName__table_pps_43z_llb} {#RegressionSol-getName__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 문자열 | 솔루션 객체의 이름입니다. |
[표 11. 반환]

{#RegressionSol-getName__table_qps_43z_llb}  
하는 방법을 보여 줍니다 회귀 솔루션 데이터 세트 정보를 업데이트하고 개체의 이름을 인쇄

    // Update solution
    var myIncidentData = new sn_ml.DatasetDefinition({
       'tableName' : 'incident',
       'fieldNames' : ['category', 'short_description', 'priority'],
       'encodedQuery' : 'activeANYTHING'
    });

    var eligibleFields = JSON.parse(myIncidentData.getEligibleFields('regression'));

    var myRegression = new sn_ml.RegressionSolution({
       'label': "my regression solution",
       'dataset' : myIncidentData,
       'inputFieldNames': eligibleFields['eligibleInputFieldNames'],
       'predictedFieldName': 'category'
    });

    // update solution
    sn_ml.RegressionSolutionStore.update('ml_x_snc_global_global_my_solution_definition_4', myRegression);

    // print solution name
    gs.print('Solution Name: '+myRegression.getName());

출력:

    Solution Name: ml_x_snc_global_global_my_solution_definition_4

## RegressionSolution - getProperties() {#ariaid-title8}

솔루션 객체 속성 가져오기.
{#RegressionSol-getProperties__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 12. 매개변수]

{#RegressionSol-getProperties__table_pps_43z_llb} {#RegressionSol-getProperties__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [RegressionSolutionStore](https://servicenow-prod.fluidtopics.net/fRK_VGsvzd9JoRZ8ewaKdA#RegressionSolutionStoreAPI "솔루션을 저장하고 검색할 수 있습니다 .")의 Dataset 및 [RegressionSolution()](https://servicenow-prod.fluidtopics.net/JWxwVpgxfJi74yzgVlE6pA#RegressionSol-RegressionSolution_O "회귀 솔루션을 생성합니다.") 개체 세부 정보의 내용입니다. { "datasetProperties": {Object}, "domainName": "String", "encoder": {Object}, "inputFieldNames": [Array], "label": "String", "name": "String", "predictedFieldName": "String", "predictedInterval": [Array], "processingLanguage": "String", "scope": "String", "stopwords": [Array], "trainingFrequency": "String" } |
| \<Object\>.dataset속성 | 솔루션과 연결된 [DatasetDefinition()](https://servicenow-prod.fluidtopics.net/G~vF_6rUbH2W5hPkNjguTw#DDef-DatasetDefinition_O "DatasetDefinition 클래스의 인스턴스를 만들어 테이블 이름, 필드 및 쿼리로 데이터 세트를 정의할 수 있습니다.") 객체의 속성을 나열합니다. { "encodedQuery": "String", "fieldDetails": [Array], "fieldNames": [Array], "tableName": "String" } 데이터 형식: 개체. |
| \<Object\>.datasetProperties.tableName | 데이터 세트의 테이블 이름입니다. 예를 들어 `"tableName" : "Incident"`입니다. 데이터 형식: 문자열. |
| \<Object\>.datasetProperties.fieldNames | 지정된 테이블의 필드 이름을 문자열로 나열한 목록입니다. 예를 들어 `"fieldNames" : ["short_description", "priority"]입니다`. 데이터 형식: 배열. |
| \<Object\>.datasetProperties.fieldNames.fieldDetails | 필드 속성을 지정하는 JavaScript 객체의 목록입니다. [ { "name": "String", "type": "String" } ] 데이터 형식: 배열. |
| \<Object\>.datasetProperties.fieldNames.fieldDetails.\<object\>입니다. 이름 | 이 데이터 세트를 제한할 정보의 유형을 정의하는 필드의 이름입니다. 데이터 형식: 문자열. |
| \<Object\>.datasetProperties.fieldDetails.\<object\>입니다. 형 | 머신 러닝 필드 유형입니다. 데이터 형식: 문자열. |
| \<Object\>.datasetProperties.fieldDetails.encodedQuery | 표준 Glide 형식으로 인코딩된 쿼리 문자열입니다. [인코딩된 쿼리 문자열을](https://www.servicenow.com/docs/access?context=c_EncodedQueryStrings&version=xanadu&pubname=xanadu-platform-user-interface&ft:locale=en-US) 참조하세요. 데이터 형식: 문자열. |
| \<Object\>.domainName | 이 데이터 세트와 연결된 도메인 이름입니다. [도메인 분리 및 예측 인텔리전스](https://www.servicenow.com/docs/access?context=domain-separation-predictive-intelligence&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US)를 참조하십시오. 데이터 형식: 문자열. |
| \<Object\>.인코더 | 이 솔루션에 할당된 인코더 개체입니다. [인코더 - 인코더(개체 구성)](https://servicenow-prod.fluidtopics.net/5uS4Nj8oqD17QzxQYkl0cA#Encoder-Encoder_O "인코더를 만듭니다.") 문서를 참조하십시오. 데이터 형식: 개체. |
| \<Object\>.input필드 이름 | 문자열로 표시된 입력 필드 이름의 목록입니다. 모델은 예측을 수행하는 데 사용되는 이러한 필드를 사용합니다. 데이터 형식: 문자열. |
| \<Object\>.레이블 | 예측 작업을 식별합니다. { "label": "my first prediction" } 데이터 형식: 문자열. |
| \<Object\>.이름 | 시스템에서 할당한 이름입니다. 데이터 형식: 문자열. |
| \<Object\>.predictedFieldName | 예측 가능성을 교육할 필드를 식별합니다. 데이터 형식: 문자열. |
| \<Object\>.predictedInterval | 예측 신뢰 수준을 지정하는 값의 범위입니다. 데이터 유형: 배열 |
| \<Object\>.processingLanguage | 두 글자 ISO 639-1 언어 코드 형식의 처리 언어. 데이터 형식: 문자열. |
| \<Object\>.범위 | 개체 범위입니다. 현재 유일하게 유효한 값은 `global`입니다. 데이터 유형: 문자열 |
| \<Object\>.stopwords | 옵션입니다. 속성 설정에 따라 시스템이 자동으로 생성하는 사전 설정 문자열 목록입니다 language . 자세한 내용은 [사용자 지정 스톱 워드 목록 만들기를](https://www.servicenow.com/docs/access?context=create-custom-stopwords-list&version=xanadu&pubname=xanadu-intelligent-experiences&ft:locale=en-US) 참조하세요. 데이터 형식: 배열. |
| \<Object\>.training빈도 | 모델을 재교육하는 빈도입니다. 가능한 값: * every_30_days * every_60_days * every_90_days * every_120_days * every_180_days * run_once {#RegressionSol-getProperties__ul_pmw_523_plb}기본값: run_once 데이터 형식: 문자열. |
[표 13. 반환]

{#RegressionSol-getProperties__table_qps_43z_llb}  
다음 예제에서는저장소에 있는 솔루션 개체의 속성을 가져옵니다.{#RegressionSol-getProperties__mlsol-getProps-example-other2}

    var mySolution = sn_ml.RegressionSolutionStore.get('ml_sn_global_global_regression_solution');

    gs.print(JSON.stringify(JSON.parse(mySolution.getProperties()), null, 2));

출력:

    *** Script: {
      "datasetProperties": {
        "tableName": "cloudinfratext",
        "fieldNames": [
          "short_description",
          "sourcedc",
          "targetdc",
          "dbsize",
          "duration"
        ]
      },
      "domainName": "global",
      "encoderProperties": {
        "datasetsProperties": [],
        "name": "wc_regression"
      },
      "inputFieldNames": [
        "short_description",
        "sourcedc",
        "targetdc",
        "dbsize"
      ],
      "label": "Regression Test for DB Restore",
      "name": "ml_x_snc_global_global_regression",
      "predictedFieldName": "duration",
      "processingLanguage": "en",
      "scope": "global",
      "stopwords": [
        "Default English Stopwords"
      ],
      "trainingFrequency": "every_30_days"
    }

## RegressionSolution - getVersion(문자열 버전) {#ariaid-title9}

솔루션을 가져옵니다. 제공된 버전 번호 기준.
{#RegressionSol-getVersion_S__table_pps_43z_llb__entry__3}{#RegressionSol-getVersion_S__mlsol-gerversion-returns-other}

| 이름 | 유형 | 설명 |
|-|-|-|
| 버전 | 문자열 | 솔루션의 기존 버전 번호입니다. |
[표 14. 매개변수]

{#RegressionSol-getVersion_S__table_pps_43z_llb} {#RegressionSol-getVersion_S__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [RegressionSolutionVersion](https://servicenow-prod.fluidtopics.net/RiKgb8vcXlW_PGdZuLmusg#RegressionSolutionVersionAPI "RegressionSolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") API 메서드를 호출할 수 있는 [RegressionSolution()](https://servicenow-prod.fluidtopics.net/JWxwVpgxfJi74yzgVlE6pA#RegressionSol-RegressionSolution_O "회귀 솔루션을 생성합니다.") 객체의 지정된 버전입니다. |
[표 15. 반환]

{#RegressionSol-getVersion_S__table_qps_43z_llb}  
다음 예제에서는 버전 번호별로 솔루션의 교육 상태를 가져오는 방법을 보여 줍니다.{#RegressionSol-getVersion_S__mlsol-gerversion-example-other}

    var mlSolution = sn_ml.RegressionSolutionStore.get('ml_x_snc_global_global_regression');

    gs.print(JSON.stringify(JSON.parse(mlSolution.getVersion('1').getStatus()), null, 2));

출력:

    {
      "state": "solution_complete",
      "percentComplete": "100",
      "hasJobEnded": "true"
    }

## RegressionSolution - setActiveVersion(문자열 버전) {#ariaid-title10}

저장소에서 지정된 버전의 솔루션을 활성화합니다.
{#RegressionSol-setActiveVersion_S__table_pps_43z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 버전 | 문자열 | 활성화할 [RegressionSolution()](https://servicenow-prod.fluidtopics.net/JWxwVpgxfJi74yzgVlE6pA#RegressionSol-RegressionSolution_O "회귀 솔루션을 생성합니다.") 객체 버전의 이름입니다. 이 버전을 활성화하면 다른 버전은 비활성화됩니다. |
[표 16. 매개변수]

{#RegressionSol-setActiveVersion_S__table_pps_43z_llb} {#RegressionSol-setActiveVersion_S__table_qps_43z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 없음 |   |
[표 17. 반환]

{#RegressionSol-setActiveVersion_S__table_qps_43z_llb}  
다음 예제에서는 스토어에서 솔루션 버전을활성화하는 방법을 보여 줍니다.{#RegressionSol-setActiveVersion_S__mlsol-setActive-example1}

    sn_ml.RegressionSolution.setActiveVersion("ml_incident_categorization");

## RegressionSolution - submitTrainingJob() {#ariaid-title11}

교육 작업을 제출합니다.
주:  
이 메서드를 실행하기 전에 먼저 [RegressionSolutionStore - add()](https://servicenow-prod.fluidtopics.net/fRK_VGsvzd9JoRZ8ewaKdA#RegressionStore-add_O "저장소에 새 솔루션 개체를 추가하고 고유한 이름을 반환합니다.") 메서드를 사용하여 저장소에 솔루션을 추가해야 합니다.
{#RegressionSol-submitTrainingJob__table_xmd_33z_llb__entry__3}

| 이름 | 유형 | 설명 |
|-|-|-|
| 없음 |   |   |
[표 18. 매개변수]

{#RegressionSol-submitTrainingJob__table_xmd_33z_llb} {#RegressionSol-submitTrainingJob__table_ymd_33z_llb__entry__2}

| 유형 | 설명 |
|-|-|
| 객체 | [RegressionSolutionVersion](https://servicenow-prod.fluidtopics.net/RiKgb8vcXlW_PGdZuLmusg#RegressionSolutionVersionAPI "RegressionSolutionVersion API는 저장소에서 예측 인텔리전스 사용되는 스크립팅 가능한 개체입니다.") 개체에 해당하는 개체입니다 [회귀 솔루션](https://servicenow-prod.fluidtopics.net/JWxwVpgxfJi74yzgVlE6pA#RegressionSol-RegressionSolution_O "회귀 솔루션을 생성합니다.") 교육 중인 |
[표 19. 반환]

{#RegressionSol-submitTrainingJob__table_ymd_33z_llb}  
다음 예제에서는 데이터 세트를 만들고, 솔루션에 적용하고, 저장소에 솔루션을 추가하고, 학습 작업을 제출하는 방법을 보여 줍니다.{#RegressionSol-submitTrainingJob__mlsol-submit-example-nonSol2}

    // Create a dataset 
    var myData = new sn_ml.DatasetDefinition({

      'tableName' : 'incident',
      'fieldNames' : ['assignment_group', 'short_description', 'description'],
      'encodedQuery' : 'activeANYTHING'

    });

    // Create a solution 
    var mySolution = new sn_ml.RegressionSolution({

      'label': "my solution definition",
      'dataset' : myData,
      'predictedFieldName' : 'assignment_group',
      'inputFieldNames':['short_description']

    });

    // Add the solution to the store to later be able to retrieve it.
    var my_unique_name = sn_ml.RegressionSolutionStore.add(mySolution);

    // Train the solution - this is a long running job 
    var myRegressionVersion = mySolution.submitTrainingJob();