Scikit-learn Reference

Scikit-learn Reference 소개

이 Scikit-learn 레퍼런스는 scikit-learn 머신러닝 라이브러리의 핵심 클래스와 함수를 다루는 검색 가능한 치트시트입니다. 분류, 회귀, 클러스터링, 전처리, 특성선택, 모델평가, 파이프라인, 하이퍼파라미터 튜닝의 여덟 가지 카테고리로 구성되어 있어 Python ML 워크플로의 근간을 이루는 API 패턴에 즉시 접근할 수 있습니다.

Scikit-learn은 일관된 추정기(estimator) 인터페이스를 제공합니다: 모든 모델이 fit(), predict(), score() 메서드를 노출하므로 코드 구조를 변경하지 않고 알고리즘을 교체할 수 있습니다. 이 레퍼런스는 RandomForestClassifier, LogisticRegression, SVC, GradientBoostingClassifier 등의 예제를 나란히 보여주고, 해당 회귀 모델도 함께 제시하여 그 통일성을 반영합니다. API 시그니처와 기본 하이퍼파라미터를 한눈에 비교할 수 있어 문서 페이지를 오가는 시간을 줄여줍니다.

개별 추정기 외에도 모델 학습을 둘러싼 전처리 및 평가 인프라를 다룹니다. StandardScaler, MinMaxScaler, OneHotEncoder, SimpleImputer 항목이 데이터 준비를 다루고, accuracy_score, classification_report, confusion_matrix, r2_score 같은 메트릭이 모델 성능을 평가합니다. Pipeline과 ColumnTransformer는 전처리와 모델링을 하나의 재현 가능한 단위로 캡슐화하여 데이터 누수를 방지하며, GridSearchCV와 RandomizedSearchCV는 교차 검증을 통한 하이퍼파라미터 최적화를 자동화합니다.

주요 기능

• 분류 알고리즘 — RandomForest, LogisticRegression, SVC, KNN, GradientBoosting, DecisionTree의 fit/predict API
• 회귀 모델 — LinearRegression, Ridge, Lasso, ElasticNet, RandomForestRegressor, SVR
• 클러스터링 방법 — KMeans, DBSCAN, AgglomerativeClustering, 클러스터 품질 평가를 위한 silhouette_score
• 전처리 도구 — StandardScaler, MinMaxScaler, LabelEncoder, OneHotEncoder, train_test_split, SimpleImputer
• 특성 선택 기법 — SelectKBest, 차원 축소를 위한 PCA, RFE, feature_importances_ 검사
• 모델 평가 메트릭 — accuracy_score, classification_report, confusion_matrix, cross_val_score, MSE, R2 점수
• 파이프라인 구성 — Pipeline, make_pipeline, 혼합 타입 데이터를 위한 ColumnTransformer, FeatureUnion
• 하이퍼파라미터 튜닝 — GridSearchCV, RandomizedSearchCV, best_params_, 학습 곡선, 검증 곡선, joblib을 이용한 모델 저장

자주 묻는 질문