003 Google Colab에서 FLAML 시작하기

키워드: Colab, 시작하기

개요

Google Colab은 무료로 사용할 수 있는 클라우드 기반 Jupyter 노트북 환경입니다. FLAML의 큰 장점 중 하나는 Google Colab에서 완벽하게 지원된다는 것입니다. 별도의 설치나 환경 설정 없이 브라우저에서 바로 FLAML을 실습할 수 있습니다.

이 글에서는 Google Colab에서 FLAML을 설정하고 첫 번째 모델을 학습하는 방법을 알아보겠습니다.

실습 환경

• 플랫폼: Google Colab (colab.research.google.com)
• 필요 계정: Google 계정
• 비용: 무료 (GPU 사용 시 제한 있음)

Google Colab 시작하기

1단계: Colab 접속

1. 브라우저에서 colab.research.google.com 접속
2. Google 계정으로 로그인
3. "새 노트북" 클릭

2단계: FLAML 설치

Colab 셀에서 다음 명령어를 실행합니다:

!pip install flaml[automl] -q

-q 옵션은 설치 로그를 최소화합니다.

설치 확인

import flaml
print(f"FLAML 버전: {flaml.__version__}")

출력 예시

FLAML 버전: 2.1.0

Colab에서 첫 번째 FLAML 모델

전체 코드

# 1. 패키지 설치 (최초 1회)
!pip install flaml[automl] -q

# 2. 라이브러리 임포트
from flaml import AutoML
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report

# 3. 데이터 준비 (유방암 진단 데이터)
data = load_breast_cancer()
X, y = data.data, data.target

# 003 데이터 분할
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

print(f"학습 데이터: {X_train.shape}")
print(f"테스트 데이터: {X_test.shape}")

# 4. FLAML AutoML 실행
automl = AutoML()
automl.fit(
    X_train, y_train,
    task="classification",
    time_budget=30,  # 30초 동안 탐색
    metric="accuracy",
    verbose=1
)

# 5. 결과 확인
print("\n" + "="*50)
print("FLAML 학습 결과")
print("="*50)
print(f"최적 모델: {automl.best_estimator}")
print(f"최적 하이퍼파라미터: {automl.best_config}")
print(f"검증 정확도: {1 - automl.best_loss:.4f}")

# 6. 테스트 세트 평가
predictions = automl.predict(X_test)
test_accuracy = accuracy_score(y_test, predictions)
print(f"테스트 정확도: {test_accuracy:.4f}")

# 7. 상세 분류 리포트
print("\n분류 리포트:")
print(classification_report(y_test, predictions,
                           target_names=['악성', '양성']))

실행 결과

학습 데이터: (455, 30)
테스트 데이터: (114, 30)

[flaml.automl.logger: INFO] Iteration 1, ...
[flaml.automl.logger: INFO] Iteration 2, ...
...

==================================================
FLAML 학습 결과
==================================================
최적 모델: lgbm
최적 하이퍼파라미터: {'n_estimators': 11, 'num_leaves': 4, ...}
검증 정확도: 0.9714
테스트 정확도: 0.9737

분류 리포트:
              precision    recall  f1-score   support

          악성       0.98      0.95      0.96        43
          양성       0.97      0.99      0.98        71

    accuracy                           0.97       114
   macro avg       0.97      0.97      0.97       114
weighted avg       0.97      0.97      0.97       114

Colab 활용 팁

팁 1: GPU 런타임 사용

FLAML은 CPU만으로도 빠르지만, 대규모 데이터에서는 GPU가 도움됩니다:

1. 메뉴에서 "런타임" → "런타임 유형 변경" 클릭
2. 하드웨어 가속기를 "GPU"로 선택
3. "저장" 클릭

# 003 GPU 확인
import torch
print(f"GPU 사용 가능: {torch.cuda.is_available()}")

팁 2: 구글 드라이브 연동

데이터 파일을 구글 드라이브에서 불러오기:

from google.colab import drive
drive.mount('/content/drive')

# 003 드라이브의 파일 읽기
import pandas as pd
df = pd.read_csv('/content/drive/MyDrive/data.csv')

팁 3: 결과 저장

학습된 모델을 저장하고 다운로드:

import pickle

# 003 모델 저장
with open('flaml_model.pkl', 'wb') as f:
    pickle.dump(automl, f)

# 003 Colab에서 다운로드
from google.colab import files
files.download('flaml_model.pkl')

팁 4: 세션 유지

Colab은 일정 시간 후 세션이 끊깁니다. 긴 학습 시 주의:

# 003 진행 상황을 중간중간 저장
automl.fit(
    X_train, y_train,
    task="classification",
    time_budget=300,
    log_file_name="flaml_log.log"  # 로그 파일 저장
)

Colab vs 로컬 환경

항목	Google Colab	로컬 환경
설치	매번 필요	한 번만
무료 GPU	제공 (제한적)	별도 구매 필요
메모리	12GB (무료)	PC 사양에 따름
세션 유지	최대 12시간	무제한
파일 저장	드라이브 연동 필요	로컬에 직접 저장
적합한 용도	학습, 실험	프로덕션, 대규모 학습

실습: 다양한 데이터세트로 연습

회귀 문제 예제

from sklearn.datasets import load_diabetes

# 003 당뇨병 데이터 (회귀)
X, y = load_diabetes(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

automl = AutoML()
automl.fit(
    X_train, y_train,
    task="regression",  # 회귀 태스크
    time_budget=30,
    metric="r2"
)

print(f"최적 모델: {automl.best_estimator}")
print(f"R² 점수: {1 - automl.best_loss:.4f}")

다중 분류 예제

from sklearn.datasets import load_wine

# 003 와인 품질 데이터 (다중 분류)
X, y = load_wine(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

automl = AutoML()
automl.fit(
    X_train, y_train,
    task="classification",
    time_budget=30,
    metric="accuracy"
)

print(f"최적 모델: {automl.best_estimator}")
print(f"정확도: {1 - automl.best_loss:.4f}")

Colab 노트북 템플릿

매번 사용할 수 있는 템플릿 코드:

#@title FLAML 기본 템플릿 {display-mode: "form"}

# 003 설치
!pip install flaml[automl] -q

# 003 임포트
from flaml import AutoML
import pandas as pd
from sklearn.model_selection import train_test_split

#@markdown ### 설정
task = "classification" #@param ["classification", "regression"]
time_budget = 60 #@param {type:"slider", min:10, max:300, step:10}

# 003 데이터 로드 (여기에 본인 데이터 경로 입력)
# 003 df = pd.read_csv('your_data.csv')
# 003 X = df.drop('target', axis=1)
# 003 y = df['target']

# 003 학습 실행
automl = AutoML()
# 003 automl.fit(X_train, y_train, task=task, time_budget=time_budget)

정리

• Google Colab에서 FLAML을 무료로 사용할 수 있습니다.
• !pip install flaml[automl]로 간단히 설치됩니다.
• 브라우저만 있으면 어디서든 FLAML을 실습할 수 있습니다.
• 구글 드라이브 연동으로 데이터와 모델을 저장/관리할 수 있습니다.
• 세션 제한(12시간)이 있으므로 중간 저장을 권장합니다.

다음 글 예고

다음 글에서는 FLAML vs 다른 AutoML 도구 비교에 대해 알아보겠습니다. PyCaret, Auto-sklearn, H2O 등과의 차이점과 각 도구의 장단점을 비교합니다.

---

FLAML AutoML 마스터 시리즈 #003