Scikit-Learn vs. TensorFlow

Goal

1. Scikit-learn과 TensorFlow의 차이 알아보기
2. Scikit-learn과 TensorFlow의 장담점 알아보기

 

Scikit-Learn vs. TensorFlow

쉽게 설명했을 땐 Scikit-learn은 이미 만들어진 머신러닝 알고리즘을 이용하고 싶을 때 흔히 사용하는 라이브러리이고, TensorFlow란 머신러닝 알고리즘을 만들기 위한 레고 블록 같은 느낌이라고 생각하면 된다.

 

비교 대상	Scikit-learn	TensorFlow
머신러닝 알고리즘을 레고로 설명한다면	이미 레고로 잘 만들어진 모형이므로 바로 갖고 놀 수 있음	레고 블록들만 주어져서 내가 직접 만들고 싶은걸 만들어 놀아야 함
예시	SVM, Random Forests, Logistic Regression, 등등 이미 만들어진 머신러닝 모델	add, concat, matmul, 등등 연산을 써서 직점 머신러닝 알고리즘을 만들어야 함
사용되는 곳	머신러닝	주로 딥러닝
인기	TensorFlow 보단 인기가 적음	Scikit-learn 보단 인기가 많음
인공 신경	사용하지 않음	사용함
데이터 양	데이터가 비교적 적을 때도 예측력이 괜찮음	데이터 양이 많아서 예측력이 좋아

 

Scikit-Learn의 장단점

장점

• 사용하기 정말 간단하다. 코드 몇 줄 안에 누구나 머신러닝 모델을 구현할 수 있다.
• 무료 라이브러리이며 세계적으로 온라인 커뮤니티가 크기 때문에 업데이트 꾸준히 되고 있고 사용 설명도 잘 되어 있다.
• 여러 종류의 머신러닝 알고리즘과 여러 hyperparameter를 바꿨을 때의 성능을 비교할 수 있다. 내가 가진 데이터에 어떤 모델이 가장 적합한지 고를 수 있게 도와준다.
• 데이터를 정형화 시키기 위해 도움이 되는 도구들이 내재되어 있다.

단점

• 머신러닝 및 딥러닝에 대해 깊게 공부하고 싶다면 추천하지 않는다.
• 머신러닝 및 딥러닝의 기본적인 원리를 공부하기에는 적합하지 않다.

 

TensorFlow의 장단점

장점

• 수학적 계산이 굉장히 빠르다.
• TensorFlow로 만든 딥러닝 모델은 CPU, GPU, TPU에서 모두 실행시킬 수 있다.
• 메모리 사용과 데이터 사용을 개선할 수 있다.
• 구글의 지원을 받고 있으며 온라인 커뮤니티도 크고 새로운 버젼이나 업데이트 또한 빠르다.
• 병렬로 실행이 가능하다.
• 다양한 측정치(metrics)로 모델 성능을 비교할 수 있고 모델의 training 과정을 모니터링 할 수 있다.

단점

• 파이썬으로 사용했을 때만 모든 기능의 사용이 가능하다.
• 잘 사용하기 위해선 공부해야할게 많다.
• 복잡한 구조로 인해 에러를 찾기 힘들다.

 

 

 

참고

https://www.simplilearn.com/scikit-learn-vs-tensorflow-article#scikitlearn_vs_tensorflow_comparison

https://stackoverflow.com/questions/61233004/whats-the-difference-between-scikit-learn-and-tensorflow-is-it-possible-to-use