| name | ml |
| description | 머신러닝 모델 학습 및 평가. 자동 모델 선택 또는 지정 모델로 학습/평가 루프를 실행하고 결과를 저장한다. 트리거: "dalykit:ml", "dalykit:ml report", "모델 학습".
|
| user_invocable | true |
ML (모델 학습 · 평가)
활성 kit 기준으로 model/ 폴더에 스크립트, 결과 JSON, 모델 파일, 보고서를 저장한다.
사용법
dalykit:ml
dalykit:ml LR,RF,XGB
dalykit:ml ensemble
dalykit:ml report
사전 조건
dalykit/config/active.json이 있어야 한다- 기본 입력 데이터는
dalykit/kits/{kit}/feature/featured.csv
- 없으면
dalykit:feature를 먼저 실행하라고 안내한다
- 의존성이 불명확하면
dalykit:doctor install을 먼저 안내한다
경로 규칙
| 항목 | 경로 |
|---|
| stage 디렉토리 | dalykit/kits/{kit}/model/ |
| 스크립트 | dalykit/kits/{kit}/model/model_train.py |
| 결과 JSON | dalykit/kits/{kit}/model/model_results.json |
| 보고서 | dalykit/kits/{kit}/model/model_report.md |
| 모델 파일 | dalykit/kits/{kit}/model/models/{모델명}.joblib |
| 시각화 | dalykit/kits/{kit}/model/figures/ |
워크플로우
dalykit:ml
- 활성 kit 확인
- feature 결과와 기존 보고서를 읽는다
- target 컬럼과 task type을 확인한다
- 회귀면 타깃 분포 왜도와 이상치 영향을 보고
identity와 log1p 후보를 판단한다
log1p는 y.min() >= 0일 때만 허용하고, 비교 평가는 inverse transform 후 원본 스케일 기준으로 계산한다- MODEL_CATALOG.md를 참조해 후보 모델을 구성한다
model_train.py 생성 후 실행한다model_results.json과 모델 파일을 저장한다
dalykit:ml ensemble
- 기존 베이스라인 상위 모델로 Voting/Stacking 비교를 수행한다
- 결과는 같은
model_results.json에 반영한다
dalykit:ml report
model_results.json을 읽는다- REPORT_GUIDE.md를 참조해
model_report.md를 생성한다
dalykit:progress 규칙에 따라 config/progress.md도 함께 갱신한다active.json.stages_completed와 artifacts.model_results를 갱신한다
완료 기준
dalykit:ml은 학습과 결과 저장을 수행한다dalykit:ml report까지 생성되어야 model 단계 완료로 본다
규칙
- 모델 파일은
model/models/ 아래에 저장한다
- 시각화는
model/figures/에 저장한다
- 전역 latest alias는 사용하지 않는다
- 타깃 변환은
featured.csv를 수정하지 않고 학습 루프 내부 후보로만 다룬다
- 타깃 변환이 적용되면
model_results.json에 방법, 판단 이유, 원본 스케일 평가 여부를 기록한다
