mljar/mljar-supervised

해결하는 문제

MLJAR AutoML은 표 형식 데이터의 머신러닝 파이프라인에서 반복적인 부분을 자동화하여 데이터 과학자의 시간을 절약하도록 설계되었습니다. 데이터 전처리, 모델 구축, 하이퍼파라미터 튜닝 과정을 추상화하여 "블랙박스"로 작동하지 않으면서 최상의 성능을 가진 모델을 찾습니다.

작동 방식

이 패키지는 전체 파이프라인을 관리하는 고수준 AutoML 클래스를 제공합니다. 네 가지의 뚜렷한 작동 모드를 지원합니다:

• Explain: 단순 모델(예: 결정 트리)과 광범위한 시각화(SHAP, dtreeviz)를 사용한 데이터 이해에 중점을 둡니다.
• Perform: 프로덕션 사용 사례에 최적화되어 있으며, 5겹 교차 검증과 견고한 알고리즘 선택을 사용합니다.
• Compete: ML 대회를 위해 설계되었으며, 스태킹, 앙상블, 적응형 검증 전략을 사용합니다.
• Optuna: Optuna 프레임워크를 사용한 하이퍼파라미터 튜닝을 통해 계산 시간보다 최대 성능을 우선시합니다.

특징 엔지니어링("골든 피처" 포함), 결측값 대체, 타겟 전처리를 처리합니다. 또한 샘플 가중치와 스마트 그리드 검색을 사용하여 편향을 완화하는 공정성 인식 훈련도 포함합니다.

대상 사용자

표 형식 데이터를 다루는 데이터 과학자 및 ML 엔지니어로, 결과의 완전한 투명성과 설명 가능성을 유지하면서 모델 선택과 튜닝을 자동화하려는 분들.

주요 기능

• 투명한 보고: 모든 실험과 모델에 대해 메트릭과 차트를 포함한 상세한 Markdown 보고서를 자동 생성합니다.
• 웹 앱 생성: Mercury를 통해 비기술적 이해관계자를 위한 대화형 예측 웹 앱을 자동으로 만들 수 있습니다.
• 광범위한 알고리즘 지원: 베이스라인, 선형, 랜덤 포레스트, Extra Trees, LightGBM, Xgboost, CatBoost, 신경망, 최근접 이웃을 포함합니다.
• 공정성 도구: 이진/다중 클래스 분류 및 회귀를 위한 공정성 메트릭과 편향 완화에 대한 내장 지원.
• 자동 영속성: 모델을 자동으로 저장하고 로드하여 중단 후 훈련을 재개할 수 있습니다.