<aside>

</aside>

📖 챕터 소개

6강의 치열한 경쟁(compare_models)을 통해, 우리는 가장 유망한 '챔피언 후보' 모델들을 선발했습니다. 하지만 아직 끝이 아닙니다\! 이번 시간에는 선발된 후보 중 하나를 정식으로 '챔피언'으로 임명(create_model)하고, 이 챔피언의 숨겨진 잠재력을 100% 끌어내기 위한 '특별 훈련 캠프'(tune_model)를 열어볼 겁니다. 좋은 모델을 '최고의 모델'로 만드는 과정, 바로 하이퍼파라미터 튜닝의 세계로 여러분을 초대합니다\!

🎯 챕터 목표

• create_model() 함수를 사용해 특정 모델 하나를 생성하고, 기준 성능을 확인할 수 있습니다.
• **하이퍼파라미터(Hyperparameter)**가 무엇인지 이해하고, 튜닝의 필요성과 잠재적 위험을 설명할 수 있습니다.
• tune_model() 함수를 사용해 모델의 성능을 자동으로 최적화할 수 있습니다.
• predict_model()을 사용해 홀드아웃(Hold-out) 테스트 데이터에 대한 최종 성능을 검증할 수 있습니다.

💻 이번 챕터의 전체 코드 및 프로젝트 구조

이번 챕터의 핵심 코드

💡 gbr 모델을 생성하고, 튜닝한 뒤, predict_model을 통해 튜닝 전후의 최종 성능을 '홀드아웃 데이터셋'에서 검증합니다.

# 1. 라이브러리 준비
from pycaret.datasets import get_data
from pycaret.regression import setup, create_model, tune_model, predict_model

# 2. 데이터 불러오기 및 실험 환경 설정
df = get_data('insurance')
setup(data=df, target='charges', session_id=123, fold_shuffle=True)

# 3. 챔피언 후보('gbr') 모델 생성 및 기준 성능 확인
print("--- 1. 기준 모델(gbr) 생성 및 교차 검증 성능 ---")
base_model = create_model('gbr')

# 4. 'gbr' 모델 하이퍼파라미터 튜닝
print("\\n--- 2. 튜닝된 모델(gbr) 생성 및 교차 검증 성능 ---")
tuned_model = tune_model(base_model, optimize='R2', n_iter=200)

# 5. 홀드아웃 데이터에 대한 최종 성능 검증
print("\\n--- 3. 기준 모델의 최종 테스트 성능 ---")
predict_model(base_model)
print("\\n--- 4. 튜닝된 모델의 최종 테스트 성능 ---")
predict_model(tuned_model)

코드 실행 결과 미리보기

1. create_model('gbr') 실행 결과 (기준 성능)

gbr 모델의 기본 하이퍼파라미터로 교차 검증한 결과입니다. 평균 R2 점수는 0.8366입니다.

          MAE           MSE          RMSE      R2    RMSLE      MAPE
Fold
0     2517.6489  1.987906e+07   4458.5944  0.8787   0.4171    0.3259
...         ...           ...         ...     ...      ...       ...
9     2783.2563  2.618905e+07   5117.5243  0.8030   0.4719    0.3245
Mean  2732.7269  2.378679e+07   4867.4479  0.8366   0.4506    0.3207
Std    140.7865  3.071774e+06    307.7971  0.0256   0.0301    0.0213

2. tune_model() 실행 결과 (향상된 성능)