R Academy · 강의

parsnip으로 모델 사양 정의

학습 단계와 독립적으로 모델 유형과 엔진을 지정합니다.

parsnip으로 모델 사양 정의은(는) CoddyKit의 무료 R Academy 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 R Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. R Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

parsnip이란 무엇인가요?

parsnip은 수백 개의 모델 엔진에 통합된 인터페이스를 제공합니다. 각 패키지의 고유한 구문(glm(), randomForest(), e1071::svm())을 따로 익히는 대신, 일관된 사양 하나를 작성하고 parsnip에 내부에서 사용할 엔진을 지정하면 됩니다.

따라서 인수 하나만 변경하여 엔진을 바꿀 수 있습니다. 예를 들어 베이지안 로지스틱 회귀에서 glm을 stan으로 변경할 수 있습니다.

library(parsnip)

# The same interface, different engines
logistic_reg() |> set_engine('glm')    # base R
logistic_reg() |> set_engine('glmnet') # regularized
logistic_reg() |> set_engine('stan')   # Bayesian

분류를 위한 logistic_reg()

logistic_reg()은 이진 분류를 위한 로지스틱 회귀 모델을 지정합니다. R에 내장된 GLM 엔진을 사용하려면 set_engine('glm')을 연결하고, 작업 유형을 명시적으로 선언하려면 set_mode('classification')을 연결하십시오.

두 작업을 모두 지원하는 모델 유형에서는 모드('classification' 또는 'regression')를 지정해야 합니다.

log_spec <- logistic_reg() |>
  set_engine('glm') |>
  set_mode('classification')

print(log_spec)
# Logistic Regression Model Specification (classification)
# Computational engine: glm

tune()과 함께 사용하는 rand_forest()

rand_forest()는 랜덤 포레스트를 지정합니다. mtry(분할마다 사용할 특성 수)와 trees 같은 매개변수는 고정할 수도 있고, 초매개변수 검색을 위한 자리 표시자로 tune()을 지정할 수도 있습니다.

tune()을 전달하면 tidymodels가 교차 검증 조정 중에 값의 격자를 검색합니다.

rf_spec <- rand_forest(
  mtry  = tune(),
  trees = 500,
  min_n = tune()
) |>
  set_engine('ranger', importance = 'impurity') |>
  set_mode('classification')

print(rf_spec)

회귀를 위한 linear_reg()

linear_reg()은 선형 회귀 모델을 지정합니다. set_engine('lm')을 사용하면 일반 최소제곱법이 적용되고, set_engine('glmnet')을 사용하면 penalty 및 mixture 매개변수를 통해 L1/L2 규제가 활성화됩니다.

# OLS linear regression
lm_spec <- linear_reg() |>
  set_engine('lm')

# Ridge regression (penalty > 0, mixture = 0)
ridge_spec <- linear_reg(penalty = 0.01, mixture = 0) |>
  set_engine('glmnet')

# Lasso (penalty > 0, mixture = 1)
lasso_spec <- linear_reg(penalty = tune(), mixture = 1) |>
  set_engine('glmnet')

boost_tree() — 그래디언트 부스팅

boost_tree()는 그래디언트 부스팅 트리 모델을 지정합니다. xgboost, lightgbm 또는 C5.0 엔진을 대상으로 지정할 수 있습니다. 조정 가능한 매개변수에는 tree_depth, learn_rate, loss_reduction이 포함됩니다.

xgb_spec <- boost_tree(
  trees      = 500,
  tree_depth = tune(),
  learn_rate = tune(),
  loss_reduction = tune()
) |>
  set_engine('xgboost') |>
  set_mode('classification')

print(xgb_spec)

fit() — 모델 학습

fit(spec, formula, data)는 실제 데이터에 모델 사양을 적용해 학습합니다. parsnip은 내부적으로 사양을 적절한 엔진 호출로 변환합니다. 그 결과 적합된 parsnip 모델 객체가 반환됩니다.

lm_spec <- linear_reg() |> set_engine('lm')

# Fit the model on training data
lm_fit <- fit(lm_spec, mpg ~ wt + hp + cyl, data = mtcars)

# The fitted object wraps the engine result
print(lm_fit)

# Access the underlying lm object
extract_fit_engine(lm_fit)

fit_xy() — 행렬 인터페이스

fit_xy(spec, x, y)는 fit(spec, formula, data)의 대안입니다. 예측 변수 행렬 x와 반응 변수 벡터 y를 직접 받으므로, 데이터가 이미 수치형 행렬로 전처리되어 있을 때 유용합니다(신경망이나 XGBoost에서 흔히 사용됩니다).

x_train <- train_baked |> select(-price)
y_train <- train_baked$price

lm_spec <- linear_reg() |> set_engine('lm')

# Matrix-style fit
lm_fit_xy <- fit_xy(lm_spec, x = x_train, y = y_train)

print(lm_fit_xy)

translate() — 엔진 코드 확인

translate(spec)는 특정 엔진에 대해 parsnip이 내부적으로 정확히 어떤 호출을 수행하는지 보여 줍니다. 디버깅하거나 parsnip 사양이 엔진의 기본 인터페이스에 어떻게 매핑되는지 이해할 때 매우 유용합니다.

rf_spec <- rand_forest(mtry = 3, trees = 500) |>
  set_engine('ranger') |>
  set_mode('classification')

# See what ranger() call will be generated
translate(rf_spec)

# ranger::ranger(formula = ..., data = ...,
#   num.trees = 500, mtry = 3, ...)

parsnip에서 predict() 사용

parsnip으로 적합한 모든 모델은 동일한 predict() 인터페이스를 공유합니다. 분류에서는 type = 'class'가 예측된 클래스를 반환하고, type = 'prob'가 클래스별 확률을 반환합니다. 이러한 일관성은 parsnip의 주요 장점 중 하나입니다.

log_fit <- fit(logistic_reg() |> set_engine('glm') |> set_mode('classification'),
               species ~ ., data = train_df)

# Predicted classes
predict(log_fit, new_data = test_df, type = 'class')

# Predicted probabilities
predict(log_fit, new_data = test_df, type = 'prob')

augment() — 데이터에 결합되는 예측값

augment(fitted_model, new_data)는 입력 데이터 프레임에 예측 열을 직접 추가합니다. 결과에 실제 값과 예측값이 나란히 포함되어 지표를 계산할 수 있으므로 평가에 편리합니다.

log_fit <- fit(
  logistic_reg() |> set_engine('glm') |> set_mode('classification'),
  species ~ ., data = train_df
)

# Get predictions joined to test data
results <- augment(log_fit, new_data = test_df)
head(results[, c('species', '.pred_class', '.pred_setosa')])

모델 사양 비교

parsnip의 주요 이점 중 하나는 모델을 빠르게 비교할 수 있다는 점입니다. 여러 사양을 정의하고, 동일한 데이터에 모두 적합한 뒤, 지표를 비교합니다. 인터페이스가 동일하므로 모델을 바꿀 때는 사양 정의만 변경하면 됩니다.

specs <- list(
  lm    = linear_reg() |> set_engine('lm'),
  ridge = linear_reg(penalty = 0.01, mixture = 0) |> set_engine('glmnet'),
  rf    = rand_forest(trees = 200) |> set_engine('ranger') |> set_mode('regression')
)

fits <- lapply(specs, fit, mpg ~ ., data = train_mtcars)

preds <- lapply(fits, predict, new_data = test_mtcars)

rmse_vals <- sapply(preds, function(p) {
  sqrt(mean((p$.pred - test_mtcars$mpg)^2))
})
print(rmse_vals)

빠른 확인

parsnip에서 translate(spec)은 무엇을 반환하나요?

parsnip 요약

parsnip을 사용한 모델 사양의 핵심 내용:

parsnip은 통합 인터페이스를 제공합니다. 모델 유형, 엔진, 모드를 서로 পৃথ도로 지정합니다.
set_engine()은 기반 패키지를 선택하고, set_mode()는 분류 또는 회귀를 선택합니다.
나중에 검색할 하이퍼파라미터의 자리 표시자로 tune()을 사용합니다.
fit(spec, formula, data)는 모델을 학습하고, fit_xy(spec, x, y)는 행렬을 받습니다.
predict(fit, new_data, type)은 모든 엔진에서 일관되게 사용할 수 있습니다.
translate(spec)은 디버깅을 위해 엔진 호출을 보여 줍니다.
augment(fit, new_data)는 데이터 프레임에 예측값을 추가합니다.

# Parsnip model comparison template
spec <- rand_forest(trees = 500, mtry = tune()) |>
  set_engine('ranger', importance = 'impurity') |>
  set_mode('classification')

print(translate(spec))

# When mtry is fixed:
spec_fixed <- rand_forest(trees = 500, mtry = 5) |>
  set_engine('ranger') |>
  set_mode('classification')
fit_fixed <- fit(spec_fixed, label ~ ., data = train_df)

자주 묻는 질문

“parsnip으로 모델 사양 정의” 강의는 무료인가요?

네 — “parsnip으로 모델 사양 정의” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 R Academy 강의 전체를 잠금 해제할 수 있습니다. R Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“parsnip으로 모델 사양 정의”에서 뭘 배우나요?

학습 단계와 독립적으로 모델 유형과 엔진을 지정합니다. 브라우저에서 직접 실행하는 실습 코드로 R Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

R Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 R Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.

“parsnip으로 모델 사양 정의” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 R Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 R Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← R Academy(으)로 돌아가기