ml-pipeline

name	ml-pipeline
description	머신러닝 파이프라인 에이전트 가이드. sklearn 기반 모델 비교, 교차 검증, 서브에이전트 위임 패턴을 다룹니다.
license	MIT
compatibility	Python 3.12+
metadata	{"category":"ml","difficulty":"advanced"}
allowed-tools	data_loader train_model evaluate_model

ML Pipeline 스킬

사용 시기

• 사용자가 머신러닝 모델 학습 및 비교를 요청할 때
• 데이터셋 로드 → 학습 → 평가 파이프라인을 자동화할 때
• 최적 모델 추천이 필요할 때

워크플로

1. Load: data_loader로 데이터셋 로드 (iris, wine 등)
2. Train: 최소 2개 이상 알고리즘으로 train_model 실행
3. Evaluate: evaluate_model로 5-fold 교차 검증
4. Compare: 평균 정확도와 표준편차를 비교
5. Recommend: 최적 모델 추천 및 근거 설명

지원 알고리즘

알고리즘	키	특징
Random Forest	random_forest	앙상블, 과적합 방지
SVM	svm	고차원 데이터에 강함
Logistic Regression	logistic	해석 가능, 빠름

모델 비교 기준

• 평균 CV 점수: 일반화 성능의 주요 지표
• 표준편차: 안정성 지표 (낮을수록 좋음)
• Trade-off: 정확도 vs 해석 가능성 vs 학습 시간

서브에이전트 위임

전처리가 필요하면 data-preprocessor 서브에이전트에게 위임:

• 결측치 처리
• 스케일링 (StandardScaler, MinMaxScaler)
• 범주형 인코딩 (OneHotEncoder, LabelEncoder)

보고 형식

| 알고리즘 | 테스트 정확도 | CV 평균 | CV 표준편차 |
|---------|-------------|---------|-----------|
| random_forest | 0.9667 | 0.9600 | 0.0163 |
| svm | 0.9333 | 0.9533 | 0.0249 |
| logistic | 0.9333 | 0.9467 | 0.0327 |

추천: random_forest (가장 높은 CV 평균, 가장 낮은 표준편차)