📖 챕터 소개

지금까지 우리는 최고의 모델을 찾고, 그 성능을 극한까지 끌어올렸습니다. R² 점수 0.8824! 정말 훌륭한 성과죠. 하지만 이 숫자 하나가 모델의 모든 것을 말해주지는 않습니다. 모델은 어떤 데이터에서 실수를 하고, 어떤 특징(feature)을 중요하게 생각할까요? 이번 시간에는 숫자 너머에 있는 모델의 진짜 이야기를 들어보는 시간입니다. plot_model과 evaluate_model이라는 강력한 시각화 도구를 사용해 모델의 내면을 깊숙이 들여다보는 '모델 탐정'이 되어보겠습니다.

🎯 챕터 목표

plot_model() 함수를 사용해 모델의 성능을 분석하는 다양한 정적 그래프를 생성할 수 있습니다.
회귀 모델의 핵심 진단 도구인 **잔차 플롯(Residuals Plot)**과 **특성 중요도(Feature Importance)**를 해석할 수 있습니다.
evaluate_model() 함수를 사용해 하나의 인터페이스에서 모든 평가 지표를 인터랙티브하게 탐색할 수 있습니다.
보고서용 plot_model과 탐색용 evaluate_model의 각기 다른 사용 사례를 이해합니다.

💻 이번 챕터의 전체 코드 및 프로젝트 구조

이번 챕터의 핵심 코드

💡 7강에서 완성한 tuned_gbr_model을 사용하여, 모델의 성능과 특성을 시각적으로 분석합니다.

# 1. 라이브러리 및 튜닝된 모델 준비 (1~7강 내용)
from pycaret.datasets import get_data
from pycaret.regression import setup, create_model, tune_model, plot_model, evaluate_model

# 데이터 로드 및 설정
df = get_data('insurance')
setup(data=df, target='charges', session_id=123, fold_shuffle=True)

# 모델 생성 및 튜닝
base_model = create_model('gbr')
tuned_gbr_model = tune_model(base_model, optimize='R2', n_iter=200)

# 2. 개별 플롯 생성하기 (보고서/저장용)
# 잔차 플롯 (Residuals Plot)
plot_model(tuned_gbr_model, plot = 'residuals')

# 특성 중요도 플롯 (Feature Importance Plot)
plot_model(tuned_gbr_model, plot = 'feature')

# 3. 인터랙티브 대시보드 실행 (탐색용)
# Jupyter Notebook 환경에서 실행해야 UI가 나타납니다.
evaluate_model(tuned_gbr_model)

코드 실행 결과 미리보기

`plot_model(plot='residuals')` 실행 결과

Graph

`plot_model(plot='feature')` 실행 결과