ml

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

1. 활성 kit 확인
2. feature 결과와 기존 보고서를 읽는다
3. target 컬럼과 task type을 확인한다
4. 회귀면 타깃 분포 왜도와 이상치 영향을 보고 identity와 log1p 후보를 판단한다
5. log1p는 y.min() >= 0일 때만 허용하고, 비교 평가는 inverse transform 후 원본 스케일 기준으로 계산한다
6. MODEL_CATALOG.md를 참조해 후보 모델을 구성한다
7. model_train.py 생성 후 실행한다
8. model_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

1. model_results.json을 읽는다
2. REPORT_GUIDE.md를 참조해 model_report.md를 생성한다
3. dalykit:progress 규칙에 따라 config/progress.md도 함께 갱신한다
4. active.json.stages_completed와 artifacts.model_results를 갱신한다

완료 기준

• dalykit:ml은 학습과 결과 저장을 수행한다
• dalykit:ml report까지 생성되어야 model 단계 완료로 본다

규칙

1. 모델 파일은 model/models/ 아래에 저장한다
2. 시각화는 model/figures/에 저장한다
3. 전역 latest alias는 사용하지 않는다
4. 타깃 변환은 featured.csv를 수정하지 않고 학습 루프 내부 후보로만 다룬다
5. 타깃 변환이 적용되면 model_results.json에 방법, 판단 이유, 원본 스케일 평가 여부를 기록한다