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

scikit-learn(sklearn) : 파이썬 오픈소스 라이브러리 중에서 머신러닝을 구현하는데 특화된 라이브러리

 

scikit-learn

scikit-learn: machine learning in Python — scikit-learn 1.1.3 documentation

• sklearn은 거의 대부분의 머신러닝 알고리즘들이 구현되어 있습니다.
• 굉장히 구조적으로 잘 만들어져있어서, 사용하기 편리합니다.
• 머신러닝을 위해서 만들어진 라이브러리다보니, 딥러닝을 하기에는 적합하지 않습니다
• sklearn 이후에 만들어진 대부분의 머신러닝 라이브러리들이 모두 sklearn-style을 따릅니다.
• Pycaret이나 XGBoost, LightGBM, Catboost 같은 대표적인 머신러닝 라이브러리들도 모두 sklearn에 dependency를 가지고 있습니다.

Getting Started

Getting Started

Getting Started

• 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
form 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 : %4.f" % accuracy_score(y_test, pred))

>> Accuracy : 0.8976

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