머신러닝 대표적인 라이브러리가 Scikit-Learn(사이킷-런)인 이유

머신러닝 대표적인 라이브러리가 Scikit-Learn(사이킷-런)인 이유

 

안녕하세요

 

달콤친절한 코딩캠프의 로스윗입니다.

 

오늘은 머신러닝 대표적인 라이브러리인 scikit-learn(사이킷런)애 대해서 알아보겠습니다

 

바로 레고~!!

 

반응형

 

 

 

- 머신러닝 사이킷-런(Scikit-Learn)이란?

 

Scikit-Learn이란 대표적인 머신러닝 라이브러리 입니다.

파이썬에 있는 오픈소스 라이브러리이고

 

머신러닝 한다면 다 사이킷-런으로 구현할 정도로 유명합니다.

 

 

사이킷 런

사실상 사이킷-런(scikit-learn)이 머신러닝의 표준입니다.

내부 최적화도 잘 되어 있어서 성능도 괜찮은 편입니다.

 

가장 오래되고 유서 깊은 라이브러리이고

 

사실 사이킷-런(scikit-learn)만 잘 익혀도

 

머신러닝을 구현하는데에는 전혀 어려움이 없습니다.

2022년 10월 기준 최신 버전은 1.0.2버전이다.

 

 

-파이썬 오픈소스 라이브러리 중에서 머신러닝을 구현하는데 특화된 라이브러리

 

이제 사이킷런(scikit-learn)만의 몇 가지 장단점을 알아볼까요?

 

-사이킷-런(scikit-learn) 장점

1. sklearn은 거의 대부분의 머신러닝 알고리즘들이 구현되어 있습니다.

(클러스터링은 거의 사이킷런 밖에 없을 정도입니다)

2. 또한 굉장히 구조적으로 만들어져 있어서, 사용하기 편리합니다.

(oop 즉, 클래스 구조를 잘 설게했다는 말입니다.)

3. sklearn 이후에 만들어진 대부분의 머신러닝 라이브러리들이 모두 sklearn-style을 따릅니다.

(사실상 기준이기 때문입니다.)

 

4. Pycaret, XGBoost, LightGBM, CatBoost 같은 대표적인 머신러닝 라이브러리들도

모두 sklearn에 dependency를 가지고 있습니다.

(dependency를 가지고 있다는 것은 sklearn이 설치가 되어야 그것을 기반으로 만들 수 있다는 말입니다)

 

 

-사이킷-런(scikit-learn) 단점

1. 머신러닝을 위해서 만들어진 라이브러리다보니, 딥러닝을 하기에는 적합하지 않습니다. 

(딥러닝과 머신러닝은 하드웨어 디팬던시가 다르고,

내부적으로 컴퓨터 공학적으로 볼때도 완전 다른 방식을 사용하기 때문에 호환이 잘 되지 않습니다.

그래서 딥러닝에서는 tensorflow나 pythoch를 사용합니다.)

 

 

-사이킷-런(scikit-learn)을 사용하여 하나의 머신러닝 모델을 불러와서 학습하고 평가하기

 

이제 사이킷런을 사용해서 머신러닝 모델(ML Model)을 불러오는 방법을 알려드리게요!

 

1. 사용할 모델 불러옵니다.

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

2. 모델 객체 선언하기

model = RandomForestClassifier() -> 하이퍼 파라미터 세팅을 할 수 있습니다.

3. 학습하기

model.fit(X_train, y_train) -> sklearn에서 학습은 모두다 fit함수입니다.

4. Inference하기

pred = model.predict(X_test) -> sklearn에서 inference는 모두다 predict함수입니다.

5. 평가하기

print(“Accuracy : %.4f” % accuracy_score(y_test, pred))
>>  Accuracy : 0.8976

 

 

오늘 포스팅은 여기까지입니다.

 

긴 글 읽어 주셔서 감사합니다.

 

로스윗의 코딩캠프는 미래의 개발자 여러분을 항상 응원합니다.

 

모두 화이팅!!

 

머신러닝 엔지니어가 되고 싶은 분들에게..

머신러닝 엔지니어가 되고 싶은 분들에게..

머신러닝이란 도대체 무엇일까?

머신러닝이란 도대체 무엇일까?