automl
AutoML, 시계열, 실험 자동화 중심의 데이터 사이언스 환경입니다.
문서 기준
- 기준일:
2026-02-23
- Python:
3.12
- 운영체제: macOS, Ubuntu, Windows
- 동기화 명령:
uv sync
호환성 메모
| 환경 | autogluon | 기타 패키지 | 설명 |
|---|
| macOS / Ubuntu | 설치됨 | 전체 사용 가능 | 전체 스택 동기화 |
| Windows | 제외됨 | 전체 사용 가능 | AutoGluon 대신 FLAML/Optuna 사용 |
autogluon은 Windows에서 일부 의존성 빌드 문제가 있어 환경 마커로 제외됩니다. Windows 사용자는 FLAML 또는 Optuna를 대안으로 사용하세요.
AutoML 프레임워크 비교
| 프레임워크 | 특징 | 장점 | 적합한 상황 |
|---|
| AutoGluon | 앙상블 스태킹 자동화 | 코드 한 줄로 SOTA급 성능 | 정형 데이터 빠른 베이스라인 |
| FLAML | 경량 AutoML | 낮은 리소스 소모, 빠른 탐색 | 제한된 컴퓨팅 환경, 빠른 실험 |
| Optuna | 하이퍼파라미터 최적화 | 유연한 탐색 공간 정의, 시각화 | 커스텀 모델 튜닝, 연구 실험 |
주요 패키지 역할
| 패키지 | 역할 | 비고 |
|---|
autogluon | 엔드투엔드 AutoML | Tabular, Multimodal, TimeSeries 지원 |
flaml | 경량 AutoML 프레임워크 | scikit-learn/LightGBM/XGBoost 자동 선택 |
optuna | 하이퍼파라미터 최적화 | TPE, CMA-ES 등 다양한 샘플러 |
ray | 분산 컴퓨팅 프레임워크 | AutoGluon/Optuna 분산 실행 백엔드 |
fastai | 고수준 딥러닝 래퍼 | 빠른 프로토타이핑, 학습률 탐색 |
statsforecast | 통계 시계열 예측 | ARIMA, ETS, Theta 등 고전 모델 |
spacy | 자연어 처리 파이프라인 | 토큰화, NER, 텍스트 전처리 |
pyproject.toml
[project]
name = "automl"
version = "0.1.0"
description = "AutoML experimentation environment"
requires-python = "==3.12.*"
dependencies = [
"autogluon==1.5.0; platform_system != 'Windows'",
"ray==2.52.1",
"fastai==2.8.7",
"statsforecast==2.0.1",
"spacy==3.8.11",
"flaml==2.5.0",
"optuna==4.7.0",
"ipykernel==7.2.0",
"pytest==9.0.2",
"ruff==0.15.2",
]
[tool.uv]
package = false
Jupyter 커널 등록
uv run python -m ipykernel install --user --name automl --display-name "UV automl"
설치 확인
모든 OS 공통 확인:
uv run python -c "import ray, fastai, flaml, optuna; print('ray', ray.__version__); print('fastai', fastai.__version__); print('flaml', flaml.__version__)"
autogluon 확인:
uv run python -c "import autogluon; print('autogluon', autogluon.__version__)"
기본 사용 예시
AutoGluon (macOS/Ubuntu)
from autogluon.tabular import TabularPredictor
# 데이터 준비 (pandas DataFrame)
train_data = "train.csv" # label 컬럼 포함
# 한 줄로 학습 (앙상블 스태킹 자동 수행)
predictor = TabularPredictor(label="target", eval_metric="accuracy").fit(
train_data, time_limit=300 # 5분 제한
)
# 예측 및 리더보드
predictions = predictor.predict("test.csv")
leaderboard = predictor.leaderboard(silent=True)
print(leaderboard)
Optuna 하이퍼파라미터 최적화
import optuna
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris
X, y = load_iris(return_X_y=True)
def objective(trial):
n_estimators = trial.suggest_int("n_estimators", 50, 300)
max_depth = trial.suggest_int("max_depth", 3, 15)
clf = RandomForestClassifier(n_estimators=n_estimators, max_depth=max_depth)
return cross_val_score(clf, X, y, cv=5).mean()
study = optuna.create_study(direction="maximize")
study.optimize(objective, n_trials=50)
print(f"Best params: {study.best_params}, Best score: {study.best_value:.4f}")
Optuna의 대시보드를 사용하려면 optuna-dashboard 패키지를 추가 설치하세요. optuna-dashboard sqlite:///optuna.db 명령으로 시각화할 수 있습니다.
트러블슈팅
| 증상 | 원인 | 해결 |
|---|
Windows에서 autogluon 미설치 | 환경 마커로 의도적 제외 | FLAML 또는 Optuna 사용 |
| Ray 포트 충돌 | 기존 Ray 프로세스 점유 | ray stop 후 다시 시작 |
| AutoGluon 학습이 느림 | 시간 제한 미설정 | time_limit 파라미터 지정 |
| Optuna study DB 잠금 | 동시 실행 시 SQLite 락 | storage="sqlite:///optuna.db" 단일 프로세스 사용 |
| spaCy 모델 누락 | 언어 모델 미다운로드 | uv run python -m spacy download ko_core_news_sm |
uv sync 의존성 충돌 | 기존 락 파일과 버전 불일치 | uv lock --refresh 후 uv sync |
