홍종화에 대하여

01-Scikit-learn-소개

7 min read

01. 사이킷런 소개와 머신러닝 분류 예측 모델 개요

📚 사이킷런(Scikit-learn)이란?

정의

  • Python에서 가장 널리 사용되는 머신러닝 라이브러리
  • 간단하고 효율적인 데이터 마이닝 및 분석 도구
  • 모든 사람이 접근 가능하고 다양한 상황에서 재사용 가능
  • NumPy, SciPy, matplotlib 위에 구축
  • 오픈소스, 상업적 사용 가능 (BSD 라이센스)

주요 특징

  • 단순성: 직관적이고 일관된 API
  • 효율성: 최적화된 알고리즘과 빠른 성능
  • 포괄성: 다양한 머신러닝 알고리즘 제공
  • 문서화: 풍부한 문서와 예제 제공

🤖 머신러닝 분류 예측 모델 개요

분류(Classification)란?

  • **지도학습(Supervised Learning)**의 한 유형
  • 레이블이 있는 데이터로 모델을 학습
  • 카테고리나 클래스를 예측하는 문제
  • 입력 데이터가 어떤 범주에 속하는지 분류

분류 vs 회귀

분류 (Classification)회귀 (Regression)
이산적(카테고리) 값 예측연속적(수치) 값 예측
스팸/햄, 고양이/개주택 가격, 온도
로지스틱 회귀, SVM선형 회귀, 다항식 회귀

🏷️ 분류 문제의 유형

1. 이진 분류 (Binary Classification)

  • 2개의 클래스만 존재
  • 예시: 스팸 메일 분류, 의료 진단
  • 출력: 참/거짓, 양성/음성

2. 다중 클래스 분류 (Multi-class Classification)

  • 3개 이상의 클래스 존재
  • 클래스 간 상호 배타적
  • 예시: 붓꽃 종류 분류, 숫자 인식

3. 다중 레이블 분류 (Multi-label Classification)

  • 하나의 입력에 여러 레이블 가능
  • 예시: 뉴스 기사의 주제 태깅, 이미지 내 객체 인식

4. 불균형 분류 (Imbalanced Classification)

  • 클래스 별 데이터 수가 불균형
  • 예시: 의료 질병 진단, 사기 탐지

🔍 사이킷런의 주요 분류 알고리즘

1. 로지스틱 회귀 (Logistic Regression)

  • 선형 모델로 이진 분류에 적합
  • 확률론적 프레임워크 제공
  • 해석하기 쉽고 계산 효율적

2. K-최근접 이웃 (K-Nearest Neighbors)

  • 인스턴스 기반 학습
  • 훈련 단계 없이 지연 학습
  • 간단하지만 계산 비용이 높음

3. 서포트 벡터 머신 (Support Vector Machine)

  • 최적의 결정 경계 찾기
  • 고차원 데이터에 효과적
  • 커널 트릭으로 비선형 분류 가능

4. 결정 트리 (Decision Tree)

  • 트리 구조로 의사결정 규칙 표현
  • 해석하기 쉽고 시각화 가능
  • 과적합 위험 존재

5. 랜덤 포레스트 (Random Forest)

  • 앙상블 방법으로 여러 결정 트리 결합
  • 과적합 방지 및 높은 정확도
  • 특성 중요도 제공

6. 나이브 베이즈 (Naive Bayes)

  • 베이즈 정리 기반
  • 특성 간 독립성 가정
  • 텍스트 분류에 효과적

🎯 실무 적용 분야

의료 분야

  • 질병 진단 및 예측
  • 의료 이미지 분석
  • 약물 효과 예측

금융 분야

  • 신용 평가 및 위험 관리
  • 사기 탐지 시스템
  • 주가 예측

기술 분야

  • 이메일 스팸 필터링
  • 추천 시스템
  • 이미지 및 음성 인식

마케팅 분야

  • 고객 세분화
  • 구매 예측
  • 광고 타겟팅

🔧 사이킷런 기본 워크플로우

1. 데이터 준비

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
 
# 데이터 로드
X, y = load_iris(return_X_y=True)
 
# 훈련/테스트 데이터 분할
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42
)

2. 모델 선택 및 훈련

from sklearn.ensemble import RandomForestClassifier
 
# 모델 생성
model = RandomForestClassifier(n_estimators=100, random_state=42)
 
# 모델 훈련
model.fit(X_train, y_train)

3. 예측 및 평가

from sklearn.metrics import accuracy_score, classification_report
 
# 예측
y_pred = model.predict(X_test)
 
# 평가
accuracy = accuracy_score(y_test, y_pred)
print(f"정확도: {accuracy:.4f}")
print(classification_report(y_test, y_pred))

📊 성능 평가 지표

기본 지표

  • 정확도 (Accuracy): 전체 예측 중 정확한 예측 비율
  • 정밀도 (Precision): 양성 예측 중 실제 양성 비율
  • 재현율 (Recall): 실제 양성 중 정확히 예측한 비율
  • F1-Score: 정밀도와 재현율의 조화 평균

고급 지표

  • 혼동 행렬 (Confusion Matrix): 예측 결과의 상세 분석
  • ROC 곡선 및 AUC: 이진 분류 성능 평가
  • 교차 검증 (Cross Validation): 모델 일반화 성능 평가

🚀 학습 방향

단계별 접근

  1. 기본 개념 이해: 분류, 지도학습, 사이킷런 구조
  2. 실습 경험: 간단한 데이터셋으로 모델 구현
  3. 알고리즘 비교: 다양한 분류 알고리즘 성능 비교
  4. 성능 최적화: 하이퍼파라미터 튜닝 및 교차 검증

다음 단계 준비

  • 각 알고리즘의 상세한 수학적 원리 학습
  • 실제 데이터셋을 활용한 프로젝트 수행
  • 모델 해석 및 설명 가능한 AI 기법 학습
  • MLOps 파이프라인 구축으로 연결

Graph View