사이킷런 (Scikit-Learn), 텐서플로 (TensorFlow), 케라스 (Keras)

사이킷런(SciKit-Learn)

• 사이킷런은 파이썬 기반의 머신러닝 라이브러리로, 단순한 사용법과 폭넓은 알고리즘 지원을 제공.

• 머신러닝 전 과정(데이터 전처리, 학습, 평가, 하이퍼파라미터 튜닝)을 지원.

• 딥러닝(신경망)은 지원하지 않지만 대부분의 전통적인 머신러닝 모델을 제공.

특징

1. 다양한 알고리즘 지원

   • 선형 회귀, 로지스틱 회귀, SVM, 결정 트리, 랜덤 포레스트, 클러스터링 등.

2. 데이터 전처리 도구

   • 데이터 스케일링, 누락된 값 처리, 원-핫 인코딩 등.

3. 모델 평가

   • 정확도, 정밀도, 재현율, F1 스코어 등 다양한 평가 지표 제공.

4. 파이프라인(Pipeline)

   • 전처리와 모델 학습 과정을 연결하여 프로세스를 단순화.

5. 초보자 친화적

   • 간단한 API와 문서화, 사용 예제가 풍부.

사용 예시

데이터 분리부터 평가까지

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 데이터 분리
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 모델 생성 및 학습
model = LogisticRegression()
model.fit(X_train, y_train)

# 예측 및 평가
y_pred = model.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))

텐서플로(TensorFlow)

• 텐서플로는 Google에서 개발한 딥러닝 라이브러리로, 대규모 신경망과 복잡한 머신러닝 작업을 처리하는 데 탁월.

• CPU, GPU, TPU 등 다양한 프로세서에서 동작하며 대규모 분산 학습도 지원.

• 딥러닝 프레임워크로 시작했지만, 최근에는 강화학습, 확률 모델링 등 다양한 영역으로 확장.

특징

1. 딥러닝 지원

   • 컴퓨터 비전(CV), 자연어 처리(NLP), 딥 강화 학습 등 다양한 딥러닝 작업 가능.

2. 고성능 및 확장성

   • GPU/TPU 가속 지원으로 대규모 데이터 처리 가능.

3. 유연한 API

   • 텐서 조작, 연산 그래프 기본 기능 제공 & 저수준 커스터마이징 가능.

4. 텐서보드(TensorBoard)

   • 학습 과정을 시각화하는 대시보드 제공.

5. 호환성

   • 여러 언어(C++, Java, Python 등)에서 지원.

사용 예시

텐서플로를 활용한 작은 신경망 예제

import tensorflow as tf

# 데이터 정의
X = tf.constant([[1.0, 2.0], [3.0, 4.0]])
y = tf.constant([0, 1])

# 신경망 모델 정의
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

# 모델 컴파일 및 학습
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X, y, epochs=10)

# 모델 예측
predictions = model.predict(X)
print(predictions)

케라스(Keras)

• 케라스는 초보자를 위해 설계된 딥러닝 API로, 간결한 인터페이스를 제공.

• 원래 독립적인 라이브러리로 출시되었으나, 현재는 텐서플로의 고수준 인터페이스로 통합됨.

• 복잡한 딥러닝 작업도 몇 줄의 코드로 빠르게 프로토타이핑 가능.

특징

1. 단순함과 유연성

   • 직관적인 API 구성으로 복잡한 딥러닝 작업도 쉽게 수행 가능.

2. 모듈성

   • 신경망의 구성 요소(레이어, 옵티마이저, 손실 함수 등)를 모듈화하여 재사용 가능.

3. 텐서플로 기반

   • GPU/TPU 가속, 확장성 등 텐서플로의 장점을 함께 제공.

4. 풍부한 기능

   • CNN, RNN, LSTM 등 다양한 신경망 구조 지원.

5. 모델 시퀀스

   • Sequential API와 Functional API를 모두 지원.

사용 예시

케라스를 활용한 신경망 예제

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 모델 설정
model = Sequential([
    Dense(64, activation='relu', input_shape=(10,)),
    Dense(32, activation='relu'),
    Dense(1, activation='sigmoid')
])

# 모델 컴파일
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 데이터 학습
model.fit(X_train, y_train, epochs=10, batch_size=32)

# 예측
y_pred = model.predict(X_test)
print(y_pred)

사이킷런, 텐서플로, 케라스 비교