AutoML이 자동화하는 영역
| 영역 | 수동 머신러닝 | AutoML |
|---|---|---|
| 모델 선택 | 경험에 기반한 후보 선정 | 수십 가지 알고리즘 자동 비교 |
| 하이퍼파라미터 | GridSearch 등 수동 탐색 | 베이지안 최적화로 효율적 탐색 |
| 특성 공학 | 도메인 지식 기반 수동 | 일부 도구에서 자동 생성 |
| 앙상블 | 수동 구성 | 자동 스태킹/블렌딩 |
| 소요 시간 | 수일~수주 | 수분~수시간 |
AutoML을 사용해야 하는 경우
- 빠른 베이스라인 모델이 필요할 때
- 도메인 지식은 있지만 머신러닝 경험이 적을 때
- 여러 알고리즘의 성능을 빠르게 비교하고 싶을 때
AutoML로 충분하지 않은 경우
- 모델의 동작 원리를 깊이 이해해야 할 때
- 특수한 손실 함수나 제약 조건이 있을 때
- 도메인 특화 특성 공학이 핵심일 때
Auto-sklearn
scikit-learn 기반 메타 학습 AutoML
AutoGluon
AWS 기반 자동 스택 앙상블
FLAML
Microsoft의 경량 비용 효율 AutoML
Optuna
유연한 하이퍼파라미터 최적화 프레임워크
언제 쓰나
현재 문제의 목표 지표와 데이터 특성을 먼저 확인한 뒤 적용합니다. 작은 실험셋으로 빠르게 기준 성능을 확인한 뒤, 필요하면 더 복잡한 모델로 확장합니다.실무 적용 체크리스트
- 데이터 누수 가능성을 먼저 점검했습니다.
- 학습/검증/테스트 분할 기준을 고정했습니다.
- 핵심 지표(예: F1, RMSE, AUC)를 명시했습니다.
- 베이스라인 대비 개선폭과 비용 변화를 함께 기록했습니다.
자주 나는 실수
- 데이터 분할 전에 전처리를 수행해 데이터 누수가 발생합니다.
- 단일 지표만 보고 모델을 선택해 운영 성능이 불안정해집니다.
- 하이퍼파라미터를 과도하게 조정해 검증셋 과적합이 생깁니다.
다음 문서
다음: Auto-sklearn
학습 흐름을 이어서 진행합니다.