모델 훈련하고 평가하기
Test set을 이용해서 모델을 훈련하고 평가할 수 있다. 본 예시에서는 LinearRegression, DecisionTreeRegressor, RandomForestRegressor의 3개 모델을 사용하였다.
또한, k-폴드 교차 검증을 사용해서 교차 검증을 진행하였다. 이는 10개의 서브셋을 만들어서 10번의 훈련을 진행하는데, 9개의 서브셋으로는 훈련을, 나머지 1개의 서브셋으로는 평가를 한다.
하이퍼파라미터 튜닝
하이퍼파라미터를 조정하는 방법에는 그리드 서치와 랜덤 서치가 있다.
그리드 서치는 시도해볼 값을 지정해서 수동으로 조합을 평가해보는 것이다. 예를 들어 하이퍼파라미터 A에 대해 3개의 값을 시도해보고 싶고, B에 대해서는 2개를 시도하고 싶다면, $3 \times 2 = 6$ 개의 조합을 시도해서 평가하게 된다.
반면 랜덤 서치는 말 그대로 하이퍼파라미터를 랜덤하게 대입해서 평가하게 된다. 시도 횟수만 지정해주면 된다.
꼭 무엇이 더 좋다고 말할 수는 없다. 랜덤 서치가 많은 조합을 시도하기는 하지만 그만큼 시간이 오래 걸린다. 별로 중요하지 않은 하이퍼파라미터였다면 시간이 아까울 수 있는 것이다.
모델 저장, 불러오기
모델을 저장할 때는 joblib 라이브러리를 이용해서 저장한다. 불러올 때도 마찬가지.
모델 론칭, 모니터링, 시스템 보수
모델을 론칭한 후에는 성능이 떨어지는지를 체크햐야 한다. 성능이 떨어졌을 때 알림을 보낼 수 있는 코드를 작성하는 것도 한 가지 방법이 될 수 있다.
별도의 출처 표시가 있는 이미지를 제외한 모든 이미지는 강의자료에서 발췌하였음을 밝힙니다.
댓글남기기