[Python] 머신러닝 완벽 가이드 # 02. 사이킷런

✏️ 02. 사이킷런

---

사이킷런이란?

• 파이썬 기반의 다른 머신러닝 패키지도 사이킷런 스타일의 API를 지향할 정도로 쉽고, 가장 파이썬다운 API를 제공

• 머신러닝을 위한 매우 다양한 알고리즘과 개발을 위한 편리한 프레임워크와 API를 제공

• 오랜 기간 실전 환경에서 검증됐으며, 매우 많은 환경에서 사용되는 성숙한 라이브러리

• 주로 Numpy와 Scipy 기반 위에서 구축된 라이브러리

머신러닝을 위한 용어 정리

• Feature (X)
  • Feature는 데이터 세트의 일반 속성
  • 머신러닝은 2차원 이상의 다차원 데이터에서도 많이 사용되므로 타겟값을 제외한 나머지속성을 모두 Feature로 지칭
    
    
• Label, Class, Target (y)
  • Target은 지도 학습 시 데이터의 학습을 위해 주어지는 정답 데이터
  • 지도 학습 중 분류의 경우에는 이 타겟을 레이블로 지칭
  • 클래스는 분류 문제에서 레이블의 종류를 의미

Estimator 프레임 워크

• 추정기 초기화, 데이터 모델링, 모델의 파라미터 추정, 예측 수행

• Estimator를 사용하면 일관된 API를 사용하여 다양한 모델들을 쉽게 비교하고, 성능을 개선하며, 모델을 선택할 수 있다.

• 모델 학습 및 예측을 병렬로 처리할 수 있어, 대규모 데이터 세트에서도 빠른 모델 학습과 예측을 수행 가능하다.

• fit(X,y): 학습

• predict(X): 예측

사이킷런 주요 모듈 소개

Module	설명
sklearn.datasets	사이킷런에 내장되어 예제로 제공하는 데이터 세트
sklearn.model_selection	교차 검증을 위한 학습용/테스트용 분리, 그리드 서치(Grid Search)로 최적 파라미 터 추출 등의 API 제공
sklearn.preprocessing	데이터 전처리에 필요한 다양한 가공 기능 제공 (인코딩, 정규화, 스케일링 등)
sklearn.feature_selection	알고리즘에 큰 영향을 미치는 피처를 우선순위 대로 셀렉션 작업을 수행하는 다양한 기능을 제공
sklearn.feature_extraction	텍스트 데이터나 이미지 데이터의 벡터화된 피처를 추출하는데 사용 텍스트 데이터 피처 추출( sklearn.feature_selection.text ) 이미지 데이터 피처 추출(sklearn.feature_selection.image)
sklearn.decomposition	차원 축소와 관련한 알고리즘을 지원하는 모듈 PCA, NMF, Truncated SVD 등을 통한 차원 축소 기능 수행
sklearn.metrics	분류, 회귀, 클러스터링 등에 대한 다양한 성능측정 방법 제공 Accuracy, Precision, Recall, ROC-AUC, RMSE 등 제공
sklearn.ensemble	앙상블 알고리즘 제공 RandomForest, AdaBoost, GradientBoosting 등
sklearn.linear_model	주로 선형 회귀, Ridge, Lasso 및 LogisiticRegression 등 회귀 관련 알고리즘 지원. SGD(Stochastic Gradient Descent) 관련 알고리즘도 지원
sklearn.naive_bayes	나이브 베이즈 알고리즘 제공. 가우시안 NB, 다항 분포 NB 등 지원
sklearn.neighbors	최근접 이웃 알고리즘 제공. KNN 등
sklearn.svm	서포트 벡터 머신 알고리즘 제공
sklearn.tree	의사 결정 트리 알고리즘 제공
sklearn.cluster	비지도 클러스터링 알고리즘 제공 (K-Mean, 계층형, DBSCAN 등)
sklearn.pipeline	피처 처리 등의 변환과 ML 알고리즘 학습, 예측 등을 함께 묶어서 실행할 수 있는 유 틸리티 제공

---

📌 참고 문헌

• 책

  • 📕 파이썬 머신러닝 완벽 가이드 / 권철민

• 사이킷런 공식 홈페이지

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

• 해당 챕터의 실습 및 예제 코드는 아래 링크의 Machine Learning 참조 해주시면 됩니다.

  • ✍️ DataSci-Notes