Skip to main content
학습이 완료된 모델을 저장하고, 나중에 로드하여 새로운 데이터에 대한 예측을 수행하는 방법을 학습합니다.

​
학습 목표

  • joblib과 pickle을 사용하여 모델을 직렬화할 수 있습니다.
  • ONNX 형식으로 모델을 변환하여 범용 추론에 활용할 수 있습니다.
  • 모델 버전 관리의 기본 원칙을 이해합니다.

​
모델 저장 실습

1
joblib을 사용한 저장/로드
2
import joblib
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier

# 파이프라인 포함 모델 학습
pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("model", RandomForestClassifier(n_estimators=100, random_state=42))
])
pipe.fit(X_train, y_train)

# 모델 저장 (파이프라인 전체 저장)
joblib.dump(pipe, "model/classifier_pipeline_v1.joblib")

# 모델 로드 및 예측
loaded_pipe = joblib.load("model/classifier_pipeline_v1.joblib")
predictions = loaded_pipe.predict(X_test)
print(f"로드된 모델 정확도: {loaded_pipe.score(X_test, y_test):.4f}")
3
ONNX 변환
4
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType

# scikit-learn 모델을 ONNX로 변환
initial_type = [("float_input", FloatTensorType([None, X_train.shape[1]]))]
onnx_model = convert_sklearn(pipe, initial_types=initial_type)

# ONNX 파일 저장
with open("model/classifier_v1.onnx", "wb") as f:
    f.write(onnx_model.SerializeToString())

# ONNX Runtime으로 추론
import onnxruntime as rt
import numpy as np

sess = rt.InferenceSession("model/classifier_v1.onnx")
input_name = sess.get_inputs()[0].name
pred = sess.run(None, {input_name: X_test.astype(np.float32)})[0]
print(f"ONNX 추론 결과: {pred[:5]}")
5
모델 버전 관리
6
import json
from datetime import datetime

# 모델 메타데이터 저장
metadata = {
    "version": "1.0.0",
    "created_at": datetime.now().isoformat(),
    "model_type": "RandomForestClassifier",
    "n_features": X_train.shape[1],
    "training_score": float(pipe.score(X_train, y_train)),
    "test_score": float(pipe.score(X_test, y_test)),
    "hyperparameters": {
        "n_estimators": 100,
        "max_depth": None,
    }
}

with open("model/metadata_v1.json", "w") as f:
    json.dump(metadata, f, indent=2, ensure_ascii=False)

​
저장 형식 비교

형식장점단점적합한 상황
joblib빠름, NumPy 최적화Python 전용같은 환경에서 재사용
pickle표준 라이브러리보안 위험, 느림간단한 저장
ONNX범용, 프레임워크 독립변환 복잡도프로덕션 서빙
scikit-learn 모델은 joblib을 권장합니다. NumPy 배열이 포함된 객체를 더 효율적으로 저장하고, 큰 모델의 경우 압축 옵션도 제공합니다.
Python 외 환경(C++, Java, JavaScript)에서 추론해야 하거나, 프레임워크에 독립적인 모델 배포가 필요할 때 ONNX를 사용합니다.

​
체크리스트

  • joblib로 모델을 저장하고 로드할 수 있다
  • 파이프라인 전체를 하나의 파일로 저장할 수 있다
  • ONNX 변환의 목적을 설명할 수 있다
  • 모델 메타데이터를 함께 관리하는 습관을 갖추었다

​
다음 문서

AutoML

모델 선택과 튜닝을 자동화합니다.

실험 관리

MLflow로 모델 버전을 체계적으로 관리합니다.

​
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

  1. 데이터 분할 전에 전처리를 수행해 데이터 누수가 발생합니다.
  2. 단일 지표만 보고 모델을 선택해 운영 성능이 불안정해집니다.
  3. 하이퍼파라미터를 과도하게 조정해 검증셋 과적합이 생깁니다.