실무에 쓰는 머신러닝 기초 - 앙상블 기법

1. 앙상블 기법

여러 개의 모델을 조합하여, 하나의 모델보다 더 좋은 예측 성능을 내는 방법

• 왜 사용하는가?
  • 서로 다른 관점(모델)을 결합함으로써 오류를 줄일 수 있음
  • 개별 모델의 편향(Bias)과 분산(Variance)을 상호 보완

 

① 배깅

• 원리
  • 학습 데이터를 무작위로 여러 부분 샘플(부트스트랩)로 나누어 각각 독립적으로 모델을 학습
  • 예측 시에는 여러 모델의 결과를 평균(회귀) 혹은 다수결(분류)로 결정

• 예시
  • 랜덤 포레스트(Random Forest) - 분류, 회귀 모두 가능

 

• 장점
  • 각 모델이 독립적으로 학습되므로 병렬 처리 가능 (학습 속도가 상대적으로 빠름)
  • 모델 간 상호 간섭이 적어 안정적
  • 과적합을 줄여주는 효과 (예측의 분산 감소)

• 단점
  • 많은 수의 모델을 학습해야 하므로 메모리 사용량이 많아질 수 있음
  • 해석이 어려움

 

코드예시)

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

# 1. 데이터 로드
data = load_breast_cancer()
X = data.data
y = data.target

# 2. 학습/테스트 분할
X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    test_size=0.2,
    random_state=42,
    stratify=y
)

# 3. 랜덤 포레스트 모델 생성
# n_estimators는 사용할 트리의 개수, max_depth는 각 트리의 최대 깊이를 의미하며
# 위 2개의 값을 높일 수록 시간과 연산량은 늘어나지만 더욱 복잡한 특징을 잡을 수 있음
rf_model = RandomForestClassifier(
    n_estimators=100,
    max_depth=None,
    random_state=42
)

# 4. 모델 학습
rf_model.fit(X_train, y_train)

# 5. 예측
y_pred = rf_model.predict(X_test)

# 6. 성능 평가
acc = accuracy_score(y_test, y_pred)
cm = confusion_matrix(y_test, y_pred)
report = classification_report(y_test, y_pred)

print(f"Accuracy: {acc:.4f}")
print("Confusion Matrix:\n", cm)
print("Classification Report:\n", report)

 

 

② 부스팅

• 원리
  • 순차적으로 모델을 학습하면서 이전 모델이 만든 예측 오류를 보정하도록 설계
  • 각각의 모델은 이전 모델이 틀린 부분에 가중치를 더 둬서 학습

• 원리
  • 순차적으로 모델을 학습하면서 이전 모델이 만든 예측 오류를 보정하도록 설계
  • 각각의 모델은 이전 모델이 틀린 부분에 가중치를 더 둬서 학습

• 대표 알고리즘 - 분류 회귀 모두 가능
  1. XGBoost (Extreme Gradient Boosting)
  2. LightGBM
  3. CatBoost

• 장점
  • 높은 정확도 달성 가능
  • 각 단계에서의 오류를 보정하기 때문에, 복잡한 데이터 패턴을 잘 포착

• 단점
  • 순차적(Sequential)으로 학습하므로 병렬화가 쉽지 않음
  • 하이퍼파라미터가 많고 튜닝이 까다롭다

• 작동 예시(XGBoost) 간단 시나리오
  1. 기본 모델(약한 결정 트리) 훈련 → 예측 오류 확인
  2. 예측 오류가 컸던 샘플에 높은 가중치 부여
  3. 다음 모델(결정 트리) 훈련 → 다시 오류 보정
  4. 이 과정을 여러 번 반복하여, 최종 예측 시에는 모두 합산

코드예시)

# 1. 데이터 준비 (Titanic 예시: 범주형 컬럼 존재)
from sklearn.datasets import fetch_openml
import pandas as pd
import numpy as np

# OpenML에서 Titanic 데이터셋 로드
titanic = fetch_openml('titanic', version=1, as_frame=True)
df = titanic.frame

# 주요 컬럼만 사용하고, 결측치가 있는 행 제거(XGB와 Light GBM을 위해)
# pclass(객실 등급, 범주형), sex(성별, 범주형), age(나이, 연속형), fare(티켓 요금, 연속형)
# embarked(탑승항구, 범주형), survived(생존 여부, 타깃)
df = df[['pclass', 'sex', 'age', 'fare', 'embarked', 'survived']]
df.dropna(inplace=True)

# 입력(X), 타깃(y) 분리
X = df.drop('survived', axis=1)
y = df['survived'].astype(int)  # survived 컬럼을 int형으로 변환

print(X.shape)
print(y.shape)

# 2. 데이터 전처리
#    XGBoost/LightGBM은 숫자형 입력만 허용하므로, 범주형 칼럼을 인코딩
from sklearn.preprocessing import LabelEncoder

cat_cols = ['sex', 'embarked']  # 범주형으로 간주할 컬럼들
for col in cat_cols:
    le = LabelEncoder()
    X[col] = le.fit_transform(X[col])

# 3. 학습/테스트 데이터 분할
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    test_size=0.2,
    random_state=42,
    stratify=y
)

# 4. XGBoost 실습
# (설치가 필요할 수 있습니다) ! pip install xgboost
from xgboost import XGBClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

xgb_model = XGBClassifier(random_state=42)
xgb_model.fit(X_train, y_train)
y_pred_xgb = xgb_model.predict(X_test)

print("=== XGBoost ===")
print("Accuracy:", accuracy_score(y_test, y_pred_xgb))
print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred_xgb))
print("Classification Report:\n", classification_report(y_test, y_pred_xgb))

# 5. LightGBM 실습
# (설치가 필요할 수 있습니다) ! pip install lightgbm
from lightgbm import LGBMClassifier

lgb_model = LGBMClassifier(random_state=42)
lgb_model.fit(X_train, y_train)
y_pred_lgb = lgb_model.predict(X_test)

print("\n=== LightGBM ===")
print("Accuracy:", accuracy_score(y_test, y_pred_lgb))
print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred_lgb))
print("Classification Report:\n", classification_report(y_test, y_pred_lgb))

 

 

CatBoost 예시)

# cat_features 인덱스: 'sex', 'embarked' 컬럼(원본 df에서의 컬럼 인덱스)
# DataFrame 사용 시에는 컬럼 이름이 아니라 "열의 위치"를 지정해야 함
#   - pclass : 0, sex: 1, age: 2, fare: 3, embarked: 4
cat_features_idx = [1, 4]

X_cat_train, X_cat_test, y_cat_train, y_cat_test = train_test_split(
    X_cat, y_cat, test_size=0.2, random_state=42, stratify=y_cat
)

cat_model = CatBoostClassifier(
    cat_features=cat_features_idx,
    verbose=1,           # 학습과정 확인 가능
    random_state=42
)
cat_model.fit(X_cat_train, y_cat_train)
y_pred_cat = cat_model.predict(X_cat_test)

print("\n=== CatBoost ===")
print("Accuracy:", accuracy_score(y_cat_test, y_pred_cat))
print("Confusion Matrix:\n", confusion_matrix(y_cat_test, y_pred_cat))
print("Classification Report:\n", classification_report(y_cat_test, y_pred_cat))

 

 

 

2. 과적합(Overfitting) vs 과소적합(Underfitting)

① 과적합

• 학습 데이터에는 지나치게 최적화되었지만, 새로운 데이터(테스트/실제 환경)에는 성능이 떨어지는 현상

1) 원인

• 모델의 파라미터(자유도)가 너무 많아서 복잡도 과다
• 학습 데이터 수가 충분하지 않음
• 너무 많은 에폭(딥러닝 등)으로 학습
• 노이즈가 많은 훈련 데이터에서 패턴을 ‘과하게’ 학습

2) 해결방법

• 정규화(Regularization) 기법
  • 예) L1, L2 정규화 : 가중치(모델 파라미터)에 패널티를 줘서 과도한 학습 억제
• 드롭아웃(Dropout, 딥러닝에 주로 사용)
  • 학습 시 일부 뉴런을 확률적으로 비활성화 → 과적합 완화
• 데이터 증강(Data Augmentation)
  • 이미지 데이터의 경우, 회전·이동·반전 등으로 새 데이터를 생성
  • 자연어 데이터에도 유사한 패턴으로 증강 가능
  • 신호 데이터의 경우 가우시안 노이즈를 추가하여 증강 가능
• 조기 종료(Early Stopping)
  • 학습 도중 검증 손실이 증가하기 시작하면 학습을 중단
• 앙상블(Ensemble)
  • 서로 다른 모델을 결합하여 과적합 위험을 줄임

 

 

② 과소적합

모델이 데이터의 패턴을 충분히 학습하지 못해, 학습 데이터조차도 충분히 맞추지 못하는 현상

 

해결방법

• 모델 복잡도 증가
• 더 오래 학습
• 모델 구조 변경 (더 깊은 신경망, 더 많은 트리 등)

 

 

3. 하이퍼파라미터 튜닝

① 개념 : 모델이 학습을 시작하기 전에 사람이 설정해야 하는 값 (ex: 결정 트리의 최대 깊이(max_depth), 학습 횟수 등)

 

 

② 하이퍼파라미터 튜닝을 위한 준비

 

1) 데이터셋 분할(Training/Validation/Test)

• Training Set: 모델 학습에 직접 사용
• Validation Set: 하이퍼파라미터 튜닝이나 모델 선택을 위해 사용
• Test Set: 최종 성능 평가(훈련/검증 단계에 절대 포함되면 안 됨)

2) 교차검증

• 데이터를 훈련 세트와 검증 세트로 여러 번 겹치지 않게 나누어 사용
• K-Fold Cross-Validation:
  • 데이터를 K개의 폴드(Fold)로 나누어, 순차적으로 한 폴드를 검증 세트로 사용하고 나머지를 훈련에 사용
  • 평균 성능을 최종 모델의 성능으로 본다
• 장점: 데이터가 적은 상황에서도 안정적인 성능 평가 가능

 

③ 튜닝방법

 

1) Grid Search

• 미리 정의된 하이퍼파라미터 후보들의 ‘모든 조합’을 시도
• 장점: 완전 탐색이므로 최적값을 놓치지 않음
• 단점: 후보가 많아질수록 연산량이 급격히 증가

코드예시)

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 1. 데이터 로드
iris = load_iris()
X = iris.data
y = iris.target

# 2. 학습/테스트 데이터 분할
X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    test_size=0.2,
    random_state=42,
    stratify=y
)

# 3. 하이퍼 파라미터 후보군 설정
param_grid = {
    'n_estimators': [50, 100, 200],
    'max_depth': [None, 5, 10]
}

# 4. GridSearchCV 생성
rf = RandomForestClassifier(random_state=42)
grid_search = GridSearchCV(
    estimator=rf,
    param_grid=param_grid,
    cv=5,              # 교차검증(fold) 횟수
    scoring='accuracy',
    n_jobs=-1,          # 병렬 처리(가능한 모든 코어 사용)
)

# 5. 학습(그리드서치 수행)
grid_search.fit(X_train, y_train)

# 6. 최적 파라미터 및 성능 확인
print("Best Parameters:", grid_search.best_params_)
print("Best CV Score:", grid_search.best_score_)

# 7. 테스트 데이터 성능 확인
best_model = grid_search.best_estimator_
y_pred = best_model.predict(X_test)
test_acc = accuracy_score(y_test, y_pred)
print("Test Accuracy:", test_acc)

 

2) Randomized search

• 임의로 샘플링된 하이퍼파라미터 조합을 일정 횟수만 시도
• 장점: 다양한 영역을 빠르게 탐색 가능, 속도 빠름
• 단점: 최적 조합을 정확히 찾지 못할 수도 있음

3) 베이지안 최적화(Bayesian Optimization)

• 과거의 탐색 결과를 바탕으로 ‘가장 유망한 하이퍼파라미터 범위’를 중점적으로 탐색
• 장점: 탐색 시간이 더 짧고 효율적
• 단점: 구현 복잡도가 높음

 

4. 머신러닝 추가 개념

① 최적화 (Optimization)

• 하이퍼파라미터 튜닝(GridSearchCV, RandomizedSearchCV 등)
• 피처 엔지니어링(새로운 파생 변수 생성, 불필요한 변수 제거)
• 과적합 방지(교차검증, 규제 적용, 드롭아웃 등)

② 배포 (Deployment)

• 학습 완료 모델을 운영 환경에 배포
• API 서버 구축, 클라우드(AWS, GCP) 또는 엣지 디바이스(임베디드 환경)
• 지속적 모니터링으로 모델 성능이 저하될 경우 재학습 주기 설정

③ MLOps(머신러닝 운영)란?

• Machine Learning + DevOps의 합성어
• 머신러닝 모델 개발부터 배포, 모니터링, 재학습, 롤백(Rollback) 등 전 과정을 자동화하고 효율적으로 운영하는 방법론

④ MLOps(머신러닝 운영)은 왜 중요할까?

프로젝트 완성 → 실제 운영 단계에서 지속적인 모니터링과 데이터/모델 업데이트가 필요

 

 

 

 

5. 추가 Q&A 정리

Q1: 배깅(Bagging)과 부스팅(Boosting)의 가장 큰 차이점은 무엇인가요?

A1: 배깅은 여러 모델을 ‘병렬적으로’ 독립 학습시킨 뒤 결과를 결합(평균/투표)하는 방식이고, 부스팅은 모델을 ‘순차적으로’ 학습하면서 이전 모델의 오류를 단계적으로 보정해 나가는 방식입니다.

Q2: 로지스틱 회귀보다 랜덤 포레스트나 XGBoost가 항상 더 좋나요?

A2: 그렇지 않습니다. 랜덤 포레스트나 XGBoost는 복잡한 비선형 관계를 잘 학습하지만, 데이터 양이 많거나 모델 복잡도가 증가하면 튜닝(파라미터 설정)과 계산 비용이 커집니다. 반면 로지스틱 회귀는 빠르고 해석이 용이하기 때문에, 문제 규모와 목적(해석력 vs. 예측력)에 따라 모델 선택이 달라집니다.

Q3: 앙상블 모델(랜덤 포레스트, XGBoost 등)은 언제 쓰면 좋나요?

A3: 높은 예측 성능이 필요하고, 데이터 패턴이 복잡하거나 단일 모델로는 성능이 충분하지 않을 때 사용합니다. 예측 정확도를 최대화해야 하는 프로젝트(예: 금융 사기 탐지, 의료 진단)에서 자주 쓰이는 방법입니다.

Q4: 과적합을 빠르게 판단할 수 있는 방법은 무엇인가요?

A4: 학습 데이터와 검증(또는 테스트) 데이터의 성능 지표를 비교하는 것이 일반적입니다. 만약 학습 정확도(또는 점수)는 높지만, 검증이나 테스트 정확도가 낮다면 과적합을 의심할 수 있습니다.

Q5: 하이퍼파라미터를 튜닝할 때 GridSearchCV와 RandomizedSearchCV 중 어떤 것을 사용하면 좋나요?

A5: 탐색해야 할 파라미터 범위가 좁고, 후보가 적을 때는 GridSearchCV가 효율적이며, 후보 범위가 매우 넓고 많은 경우에는 RandomizedSearchCV로 무작위 샘플링을 활용하여 탐색 시간을 줄이는 것이 좋습니다.

Q6: 부스팅 기법(XGBoost, LightGBM 등)에서 자주 보는 ‘학습률(learning_rate)’은 무엇이고 어떻게 설정해야 하나요?

A6: 학습률은 각 단계별 모델이 학습된 결과를 어느 정도 비율로 반영할지를 결정하는 하이퍼파라미터입니다. 일반적으로 학습률을 너무 크게 설정하면 학습 과정이 불안정해지고, 너무 작게 설정하면 학습 속도가 매우 느려집니다. 보통 0.1~0.01 사이를 시작점으로 잡고 실험하면서 조정합니다.