<aside>

</aside>

📖 챕터 소개

지난 시간까지 우리는 데이터 분석을 위한 완벽한 '설계도'와 '자동화 설비'(setup)를 구축했습니다. 이제 드디어, PyCaret의 가장 짜릿한 마법을 경험할 시간입니다. compare_models() 라는 단 하나의 함수, 즉 '마법 지팡이'를 휘둘러 수십 개의 머신러닝 모델들을 소환하고, 이들 중 우리 문제에 가장 적합한 '챔피언' 후보가 누구인지 가려낼 겁니다. '10배 생산성'이라는 말이 현실이 되는 순간을 직접 목격해 보세요!

🎯 챕터 목표

• compare_models() 함수를 사용해 단 한 줄의 코드로 수십 개의 모델을 학습하고 평가할 수 있습니다.
• 회귀 문제의 핵심 평가지표(R2, MAE 등)를 이해하고, 모델 성능 비교표를 해석할 수 있습니다.
• sort 파라미터를 사용해 비즈니스 목적에 맞는 평가지표를 기준으로 모델의 순위를 매길 수 있습니다.
• n_select 파라미터를 사용해 후속 작업을 위해 상위 N개의 우수 모델을 선택할 수 있습니다.

💻 이번 챕터의 전체 코드 및 프로젝트 구조

이번 챕터의 핵심 코드

💡 5강까지 마친 setup() 환경 위에서, 마법의 함수 compare_models()를 호출하여 최강의 모델을 찾아냅니다.

# 1. 라이브러리 및 데이터 준비
from pycaret.datasets import get_data
from pycaret.regression import setup, compare_models

insurance_df = get_data('insurance')

# 2. 실험 환경 설정 (기본)
# 제공된 결과와 일치하도록 기본 setup을 사용합니다.
reg_exp = setup(data=insurance_df, target='charges', session_id=123)

# 3. 모든 모델 학습 및 비교 후 상위 3개 모델 선택
# R2 점수를 기준으로 정렬하고, 가장 좋은 모델 3개를 변수에 저장합니다.
top3_models = compare_models(sort='R2', n_select=3)

# 4. 상위 3개 모델 정보 확인
print(top3_models)

코드 실행 결과 미리보기

setup() 실행 후 나타나는 정보 테이블

compare_models()를 실행하기 전의 환경 설정 상태입니다.

compare_models() 실행 후 나타나는 성능 비교 그리드