019 create_model() 상세 활용

키워드: create_model, 모델 생성

개요

create_model()은 특정 알고리즘으로 모델을 생성하는 함수입니다. compare_models()로 후보를 찾은 후, 개별 모델을 더 세밀하게 제어할 때 사용합니다.

실습 환경

• Python 버전: 3.11 권장
• 필요 패키지: pycaret[full]>=3.0

create_model() 기본 사용법

from pycaret.classification import *
from pycaret.datasets import get_data

# 019 데이터 로드 및 설정
data = get_data('iris')
clf = setup(data, target='species', session_id=42, verbose=False)

# 019 랜덤 포레스트 모델 생성
rf = create_model('rf')

모델 약어

# 019 자주 사용하는 모델
lr = create_model('lr')          # Logistic Regression
dt = create_model('dt')          # Decision Tree
rf = create_model('rf')          # Random Forest
gbc = create_model('gbc')        # Gradient Boosting
xgb = create_model('xgboost')    # XGBoost
lgb = create_model('lightgbm')   # LightGBM
cat = create_model('catboost')   # CatBoost
knn = create_model('knn')        # K-Nearest Neighbors
svm = create_model('svm')        # Support Vector Machine
nb = create_model('nb')          # Naive Bayes

주요 파라미터

fold - 교차 검증 폴드 수

# 5-fold 교차 검증
rf = create_model('rf', fold=5)

# 019 기본값은 setup()에서 설정한 값 (기본 10)

cross_validation - 교차 검증 제어

# 019 교차 검증 비활성화
rf = create_model('rf', cross_validation=False)

return_train_score - 학습 점수 반환

# 019 학습/검증 점수 모두 확인 (과적합 진단)
rf = create_model('rf', return_train_score=True)

하이퍼파라미터 직접 설정

# 019 Random Forest 커스텀 파라미터
rf_custom = create_model(
    'rf',
    n_estimators=200,
    max_depth=10,
    min_samples_split=5,
    min_samples_leaf=2,
    random_state=42
)

# 019 XGBoost 커스텀 파라미터
xgb_custom = create_model(
    'xgboost',
    n_estimators=100,
    max_depth=6,
    learning_rate=0.1,
    subsample=0.8
)

# 019 LightGBM 커스텀 파라미터
lgb_custom = create_model(
    'lightgbm',
    n_estimators=100,
    num_leaves=31,
    learning_rate=0.05,
    feature_fraction=0.8
)

모델 성능 확인

from pycaret.classification import *
from pycaret.datasets import get_data

data = get_data('diabetes')
clf = setup(data, target='Class variable', session_id=42, verbose=False)

# 019 모델 생성 및 성능 확인
rf = create_model('rf')

# 019 결과 테이블 출력됨:
# 019 Accuracy, AUC, Recall, Precision, F1, Kappa, MCC

여러 모델 비교 생성

# 019 여러 모델 순차 생성
models = {}

for name in ['lr', 'rf', 'xgboost', 'lightgbm']:
    print(f"\n=== {name.upper()} ===")
    models[name] = create_model(name)

# 019 최고 모델 선택
import pandas as pd

results = []
for name, model in models.items():
    metrics = pull()  # 마지막 결과 가져오기
    results.append({
        'model': name,
        'accuracy': metrics['Accuracy'].mean(),
        'auc': metrics['AUC'].mean()
    })

df = pd.DataFrame(results)
print(df.sort_values('auc', ascending=False))

pull() 함수로 결과 가져오기

# 019 모델 생성
rf = create_model('rf')

# 019 교차 검증 결과 DataFrame으로 가져오기
results = pull()
print(results)

# 019 평균 성능
print(f"평균 Accuracy: {results['Accuracy'].mean():.4f}")
print(f"평균 AUC: {results['AUC'].mean():.4f}")
print(f"표준편차: {results['Accuracy'].std():.4f}")

실전 예제: 단계별 모델 개선

from pycaret.classification import *
from pycaret.datasets import get_data

# 1. 데이터 준비
data = get_data('credit')
clf = setup(data, target='default', session_id=42, verbose=False)

# 2. 기본 모델 생성
print("=== 기본 Random Forest ===")
rf_base = create_model('rf')
base_results = pull()

# 3. 커스텀 파라미터로 개선
print("\n=== 커스텀 Random Forest ===")
rf_custom = create_model(
    'rf',
    n_estimators=200,
    max_depth=15,
    min_samples_split=10,
    class_weight='balanced'  # 불균형 대응
)
custom_results = pull()

# 4. 비교
print(f"\n기본 AUC: {base_results['AUC'].mean():.4f}")
print(f"커스텀 AUC: {custom_results['AUC'].mean():.4f}")

get_config()로 모델 목록 확인

# 019 사용 가능한 모델 목록
from pycaret.classification import get_config

models = get_config('models')
print(models)

정리

• create_model(약어)로 특정 알고리즘 모델 생성
• 하이퍼파라미터는 함수 인자로 직접 전달
• pull()로 교차 검증 결과 DataFrame 확보
• fold 파라미터로 교차 검증 폴드 조정
• return_train_score=True로 과적합 진단

다음 글 예고

다음 글에서는 분류 평가 지표 - Accuracy, Precision, Recall을 다룹니다.

---

PyCaret 머신러닝 마스터 시리즈 #019