AutoGluon 사용법

AutoGluon은 Amazon Web Services(AWS)에서 개발한 오픈 소스 자동화 머신러닝(AutoML) 라이브러리입니다.
이번에 Kaggle Playground 대회를 준비하며 처음 접하게 되었는데, 이 라이브러리를 통해 적은 노력으로 강력한 머신러닝 모델을 구축할 수 있었고, 알아서 제공된 데이터에 대해 자동화된 최적 모델을 제공해줘서 정말 유용했습니다. 이번 글에서는 AutoGluon을 사용하는 방법을 알아보겠습니다.

---

1. AutoGluon 설치하기

pip install autogluon

 

2.  데이터 준비하기

AutoGluon은 다양한 데이터 형식을 지원하지만, 일반적으로 CSV 파일을 사용해 데이터를 로드합니다.

import pandas as pd

# 데이터 로드
train_data = pd.read_csv('train.csv')
test_data = pd.read_csv('test.csv')

# 레이블 컬럼 이름 정의
label_column = 'class'

'train_data'는 학습에 사용할 데이터, 'test_data'는 예측을 수행할 데이터가 담긴 데이터프레임입니다.
'label_column'은 예측하고자 하는 타깃 레이블을 정의합니다.

3. AutoGluon을 사용한 모델 학습하기

AutoGluon의 핵심 클래스는 'TabularPredictor'입니다. 이 클래스를 사용해 간단히 모델을 학습할 수 있습니다.

from autogluon.tabular import TabularPredictor

# 예측기 생성 및 학습
predictor = TabularPredictor(label=label_column).fit(train_data)

위 코드에서는 'fit' 메서드를 통해 AutoGluon이 자동으로 최적의 모델을 탐색하고 학습시킵니다. AutoGluon은 내부적으로 다양한 알고리즘(예: LightGBM, CatBoost, XGBoost, Neural Network 등)을 테스트하고, 최적의 성능을 내는 모델을 선택합니다.

4. 모델 성능 평가하기

모델 학습이 완료되면, 'predictor' 객체를 사용해 테스트 데이터에 대한 예측을 수행하고, 모델의 성능을 평가할 수 있습니다.

# 예측 수행
predictions = predictor.predict(test_data)

# 모델 성능 평가
performance = predictor.evaluate(test_data)
print(performance)

'evaluate' 메서드는 정확도, F1-score, AUC 등 다양한 성능 지표를 출력합니다.

5. 모델 튜닝 및 추가 기능

AutoGluon은 자동으로 최적의 모델을 찾아주지만, 추가적인 설정을 통해 모델 성능을 더욱 향상할 수 있습니다.
예를 들어 학습 시간(time_limit), 원하는 목표(presets)나 제외할 모델, 자원의 양등을 다양하게 조절할 수 있습니다.

predictor = TabularPredictor(label=label_column,
                            eval_metric='mcc',
                            problem_type='binary').fit(train_data,
                                                       presets='best_quality',
                                                       time_limit=3600*10,
                                                       verbosity=3,
                                                       excluded_model_types=['KNN'],
                                                       ag_args_fit={'num_gpus': 2}
                                                      )
results = predictor.fit_summary()

이 외에도 AutoGluon은 앙상블 레벨, 하이퍼파라미터 최적화, 피쳐 엔지니어링 등 다양한 기능을 제공합니다. 
아래 AutoGluon 웹사이트를 참고해서 데이터에 맞춰 코드를 조정했습니다.

AutoGluon Predictors — AutoGluon Documentation 0.6.0 documentation

 

6. 예측 결과 저장하기

학습한 모델로 생성된 예측 결과는 CSV 파일로 저장할 수 있습니다.

# 예측 결과 저장
predictions.to_csv('predictions.csv', index=False)

 

---

AutoGluon을 이용해서 큰 노력 없이 다양한 모델과, 다양한 앙상블 레벨을 테스트하고 가장 좋은 결과, 또는 원하는 목표에 맞춘 결괏값을 얻을 수 있다는 점이 가장 매력적이라고 느꼈습니다.