Chapter.02 Machine Learning Workflow-02. ML Framework : Scikit-Learn

💡

scikit-learn(sklearn) : 파이썬 오픈소스의 라이브러리 중에서 머시러닝을 구현하는데 특화된 라이브러리.

scikit-learn

"We use scikit-learn to support leading-edge basic research [...]" "I think it's the most well-designed ML package I've seen so far." "scikit-learn's ease-of-use, performance and overall variety of algorithms implemented has proved invaluable [...]."

https://scikit-learn.org/stable/

• sklearn은 거의 대부분의 머신러닝 알고리즘이 구현되어 있다.

• 굉장히 구조적으로 잘 만들어져 있어서, 사용하기 편합니다.

• 머신러닝을 위해서 만들어진 라이브러리다 보니, 딥러닝을 하기에는 적합하지 않다.

• sklearn 이후에 만들어진 대부분의 머신러닝 라이브러리들이 모두 sklearn-style을 따른다.

• Pycaret이나 XGBoost, LightGBM, Catboost 같은 대표적인 머신러닝 라이브러리들도 모두 sklearn에 dependency를 가지고 있습니다.

Getting Started

Getting Started

The purpose of this guide is to illustrate some of the main features that scikit-learn provides. It assumes a very basic working knowledge of machine learning practices (model fitting, predicting, cross-validation, etc.). Please refer to our installation instructions for installing scikit-learn . Scikit-learn is an open source machine learning library that supports supervised and unsupervised learning.

https://scikit-learn.org/stable/getting_started.html

• 위의 페이지를 잘 따라가면 sklearn으로 쉽게 데이터를 불러와서 학습하는 코드를 따라 만들 수 있습니다.

• sklearn의 전체적인 구현 방식에는 정해진 틀이 있습니다.

# sklearn을 사용하여 하나의 ML model을 불러와서 분류 모델을 학습하고 평가하는 예시입니다.
# 1. 사용할 모델을 불러옵니다.
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 2. 모델 객체를 선언합니다.
model = RandomForestClassifier()

# 3. training data로 학습을 진행합니다.
model.fit(X_train, y_train)

# 4. test data로 inference를 진행합니다.
pred = model.predict(X_test)

# 5. Evaluation metric으로 평가를 진행합니다. 
print("Accuracy : %.4f" % accuracy_score(y_test, pred))

>> Accuracy : 0.8976

• 위의 코드 구현 방식은 sklearn을 사용하는 머신러닝 프로젝트에서는 공식처럼 활용되니 반드시 익혀두세요!

---

Hands-on

1. sklearn이 제공하는 분류 모델중에 3가지 정도를 찾아서 이름을 적어보세요.

2. sklearn에서는 모든 학습을 수행하는 함수를 fit, 예측하는 함수를 predict로 구현하였습니다. 이렇게 구현하였을 때의 장점은 무엇일까요? (Hint: OOP)