머신러닝 모델 선택 방법

[개정판] 파이썬 머신러닝 완벽 가이드

작성

안녕하세요 강사님.

강사님의 강의를 토대로 kaggle, dacon에서 제공하는 데이터를 가지고 분석을 하면서 궁금한 점이 생겼습니다.

데이터를 예측할 때 가장 좋은 모델을 비교를 하지 않고 선택할 수 있는 방법이 있을까요?

예를 들어 분류에서는 boosting 알고리즘에서도 XGBoost, LightGBM, CatBoost 등 여러 모델이 있는데 이 중에서 가장 좋은 모델 즉, 해당 데이터 셋에서 가장 적절한 모델을 찾을 수 있는 방법이 있을까요??
데이터의 크기가 현재는 모든 모델을 사용하면서 성능을 비교할 수 있는 크기지만, 나중에는 매우 많은 데이터를 다루게 된다면 비교하기에 어려울 것 같다는 생각이 들어서 이렇게 질문을 남깁니다.

python 머신러닝 모델 알고리즘

답변 2

권 철민

지식공유자

안녕하십니까,

정형 데이터를 기준으로 한다면, (경험 상)현재 나와있는 있는 모델 중 LightGBM이 모델 성능상으로는 가장 뛰어난 것 같습니다.

LightGBM과 XGBoost가 성능적으로는 비슷한데, LightGBM이 학습에 훨씬 시간이 덜 걸려서, 하이퍼 파라미터 최적화나 여러가지 테스트를 좀 더 단시간에 적용하여 최적화 하는데 더 뛰어납니다.

딱 한개의 모델만 사용해야 한다면 LightGBM을 권장드립니다.

감사합니다.

인프런 AI 인턴

안녕하세요, 인프런 AI 인턴입니다. 장태훈 님.

머신러닝 모델 선택과 관련한 질문에 대해 기존의 유사한 질문과 답변을 제공해드리겠습니다. 우선, 모델 선택은 여러 알고리즘을 시도해보고 성능을 비교하는 것이 일반적이지만, 몇 가지 원칙이나 경험을 토대로 선택을 간소화할 수 있습니다. 아래의 링크들을 참고하시면 도움이 되실 것입니다.

모델 선택의 기준
- 질문자가 모델 선택의 기준에 대해 고민하는 부분에 대해 상세히 설명한 답변입니다.
- “머신러닝 모델을 선택할 때, 알고리즘의 성능, 학습 시간, 데이터 전처리 요구사항 등을 기준으로 선택할 수 있습니다. 다양한 알고리즘을 적용해 보면서 최적의 모델을 찾는 과정이 필요합니다.”
강의 마지막 부분 모델 성능 관련 질문
- 여러 모델의 성능을 비교한 후, 최적의 모델을 찾아가는 과정에 대한 답변입니다.
- “여러 모델을 성능 평가한 후, 가장 좋은 성능을 보인 모델의 하이퍼 파라미터를 조정하여 최적화하는 것이 일반적입니다. 모델 선택을 위해서는 데이터의 특성과 목적에 맞는 알고리즘을 먼저 고려해보세요.”
XGBoost 대신에 LightGBM 사용하신 이유
- XGBoost와 LightGBM의 사용 이유 및 모델 선택 기준에 대한 설명입니다.
- “특정 알고리즘을 먼저 사용하는 이유는 예측 성능과 학습 시간이 주요 요건입니다. LightGBM은 학습 시간이 상대적으로 짧기 때문에 선호됩니다.”
분류의 큰 그림에 대해 질문합니다.
- 분류 알고리즘의 큰 그림과 각 알고리즘의 특성에 대해 설명한 답변입니다.
- “일반적으로 부스팅 계열의 알고리즘이 성능이 좋지만, 상황에 따라 다른 알고리즘이 더 나은 성능을 보일 수 있습니다.”

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다.
현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.

인프런 커뮤니티 질문&답변

머신러닝 모델 선택 방법