yzhao062/combo

해결하는 문제

combo는 여러 기계학습 모델과 예측 점수를 하나의 강력한 결과로 통합하는 데 도움을 주는 Python 도구 상자입니다. 여러 모델을 훈련한 후 출력을 융합하면 단일 모델을 사용하는 것보다 더 높은 정확도와 강건성을 얻을 수 있습니다. 이 라이브러리는 분류, 클러스터링, 이상 탐지 작업에서 이러한 통합 단계를 간단하고 일관성 있게 만들어 줍니다.

작동 방식

combo는 scikit-learn, XGBoost, LightGBM의 모델을 통합하기 위한 통합된 API를 제공합니다. 먼저 기본 추정기 목록(예: 결정 트리, 로지스틱 회귀, k-최근접 이웃, 랜덤 포레스트)을 준비합니다. 그런 다음 단순 평균, 가중 평균, 다수결, 또는 더 고급 전략인 스태킹(메타 학습), 동적 분류기/앙상블 선택(DCS/DES), 클러스터링 앙상블(EAC) 등을 선택합니다. 또한 이상 탐지기 전용 통합 방법인 Average of Maximum(AOM)과 Locally Selective Combination(LSCP)도 포함되어 있습니다. 모든 방법은 동일한 fit / predict / predict_proba 인터페이스를 공유하므로 전략을 쉽게 교체할 수 있습니다. 가능한 경우 numba와 joblib을 사용하여 계산을 가속화합니다.

대상 사용자

분류, 클러스터링, 또는 이상/이상 탐지 작업에서 여러 훈련된 모델을 통합하여 모델 성능을 향상시키고자 하는 데이터 과학자, ML 실무자, 연구자에게 적합합니다. 또한 Kaggle 스타일의 경쟁 대회 출전을 준비하는 사람들에게도 유용하며, 앙상블 기법은 점수를 끌어올리는 데 자주 사용됩니다.

주요 특징

• 모든 통합 방법에 대해 통일된 API — 동일한 fit/predict/predict_proba 패턴.
• 일반적인 통합(평균, 가중 평균, 최대값, 중앙값, 다수결)과 고급 기법(스태킹, DCS, DES, EAC, LSCP, XGBOD)을 모두 지원.
• 인기 있는 ML 라이브러리(scikit-learn, XGBoost, LightGBM, pyod)와 호환.
• 분류기 통합, 클러스터링 통합, 이상 탐지기 통합의 구체적인 예제와 샘플 출력 포함.
• 가능한 경우 numba(JIT)와 joblib(병렬 처리)를 사용하여 최적화.