Communitygithub.com

GiacomoSaccaggi/scomp_link

엔드투엔드 ML 툴킷으로 데이터 프로파일링, 전처리, 피처 엔지니어링, 모델 선택, 학습, 검증, 설명 가능성, 드리프트 모니터링, 공정성 검사 및 대화형 HTML 보고서를 자동화합니다. 코드 없이 ML 파이프라인을 실행할 수 있는 완전한 CLI를 제공합니다. Python 3.10+.

scomp_link란 무엇인가요?

scomp-link는 데이터 프로파일링부터 전처리, 피처 엔지니어링, 모델 선택, 학습, 검증, 설명 가능성, 드리프트 모니터링, 공정성 검사, 배포까지 전체 ML 워크플로를 자동화하는 엔드투엔드 머신러닝 툴킷입니다. 24개의 CLI 명령어를 통해 코드 한 줄 없이 ML 파이프라인을 구축할 수 있으며, 데이터 특성에 기반한 자동 모델 선택, `.scomp` 형식의 지속형 아티팩트(모델 + 전처리기 + 설정 + 메트릭), 대화형 차트가 포함된 HTML 보고서, 프로덕션 모니터링(드리프트, 이상, 공정성), Optuna/Halving 기반 원클릭 하이퍼파라미터 튜닝을 지원합니다. Python 3.10+ 환경에서 설치 및 사용 가능하며, Claude Desktop, Kiro, Cursor 등 AI 에이전트와 통합할 수 있는 MCP 서버를 내장하고 있습니다. YAML 기반 파이프라인 정의, Plotly/RAWGraphs/Highcharts 3가지 시각화 엔진, 시계열 예측, 모델 비교, ONNX 내보내기, REST API 서빙 등 다양한 고급 기능을 제공합니다.

지원 대상✓Claude Code~Codex CLI✓Cursor
npx skills add GiacomoSaccaggi/scomp_link

즐겨 사용하는 AI에게 물어보기

이 에이전트 스킬이 미리 로드된 새 채팅을 엽니다.

문서

scomp-link — 엔드투엔드 ML 툴킷

개요

scomp-link는 전체 ML 워크플로를 자동화합니다: 데이터 프로파일링 → 전처리 → 피처 엔지니어링 → 모델 선택 → 학습 → 검증 → 설명 가능성 → 모니터링 → 배포.

다음과 같은 경우 raw sklearn 대신 scomp-link를 사용하세요:

  • CLI를 통한 제로코드 ML (24개 명령어)
  • 데이터 특성 기반 자동 모델 선택
  • 지속형 아티팩트 (.scomp 형식: 모델 + 전처리기 + 설정 + 메트릭)
  • 대화형 차트가 포함된 HTML 보고서
  • 프로덕션 모니터링 (드리프트 + 이상 + 공정성)
  • 원클릭 하이퍼파라미터 튜닝 (Optuna/Halving)

다음과 같은 경우 raw sklearn을 사용하세요:

  • 팩토리에 없는 커스텀 모델 아키텍처
  • 모든 전처리 단계에 대한 세밀한 제어
  • 완전한 유연성이 필요한 연구 워크플로

설치

pip install scomp-link

의사 결정 트리: 어떤 명령어를 사용할까?

데이터가 있고 다음을 원합니다...
├─ 빠르게 이해하기          → scomp-link describe --data file.csv
├─ 전체 품질 보고서 (HTML)  → scomp-link quality --data file.csv --output report.html
├─ 피처 엔지니어링          → scomp-link engineer --data file.csv --target y --interactions --log-transform
├─ 모델 학습
│  ├─ 회귀                  → scomp-link run --data file.csv --target y --task regression
│  ├─ 분류                  → scomp-link run --data file.csv --target y --task classification
│  ├─ 텍스트 분류           → scomp-link text --data file.csv --text-col msg --target label
│  ├─ 클러스터링            → scomp-link cluster --data file.csv --n-clusters 5
│  └─ YAML 기반 전체 파이프라인 → scomp-link pipeline --config pipeline.yaml
├─ 하이퍼파라미터 튜닝      → scomp-link tune --data file.csv --target y --task regression --method optuna
├─ 저장된 모델로 예측       → scomp-link predict --artifact model.scomp --data new.csv
├─ 테스트 데이터 검증       → scomp-link validate --artifact model.scomp --data test.csv --target y
├─ 모델 결정 설명           → scomp-link explain --artifact model.scomp --data test.csv
├─ 프로덕션 모니터링
│  ├─ 드리프트만            → scomp-link drift --reference train.csv --current prod.csv
│  ├─ 전체 모니터링         → scomp-link monitor --reference train.csv --current prod.csv --artifact model.scomp
│  └─ 이상 탐지             → scomp-link anomaly --data prod.csv --methods iforest,lof,tabnet,transformer
├─ 공정성/편향 검사         → scomp-link fairness --data preds.csv --target y_true --predicted y_pred --sensitive gender
├─ 시계열 예측              → scomp-link forecast --data series.csv --column value --horizon 30
├─ 모델 비교                → scomp-link compare --artifacts v1.scomp v2.scomp
├─ HTML 보고서 생성         → scomp-link report --data file.csv --output report.html
├─ REST API 서빙            → scomp-link serve --artifact model.scomp --port 8080
├─ ONNX/pickle로 내보내기   → scomp-link export --artifact model.scomp --format onnx
└─ 새 프로젝트 스캐폴딩     → scomp-link init my_project

권장 워크플로

표준 ML 파이프라인

# 1. 데이터 프로파일링
scomp-link describe --data train.csv --format table

# 2. 데이터 품질 확인
scomp-link quality --data train.csv --output quality_report.html

# 3. 피처 엔지니어링
scomp-link engineer --data train.csv --target price --interactions --log-transform --output engineered.csv

# 4. 하이퍼파라미터 튜닝
scomp-link tune --data engineered.csv --target price --task regression --method optuna --n-trials 100 --save-artifact best_model.scomp

# 5. 홀드아웃 테스트 데이터 검증
scomp-link validate --artifact best_model.scomp --data test.csv --target price --report validation.html

# 6. 설명
scomp-link explain --artifact best_model.scomp --data test.csv

# 7. 배포
scomp-link serve --artifact best_model.scomp --port 8080

YAML 파이프라인 (올인원)

# pipeline.yaml
data: train.csv
target: price
task: regression
engineer:
  interactions: true
  log_transform: true
tune:
  method: optuna
  n_trials: 50
validate:
  test_data: test.csv
  report: validation_report.html
save: models/price_model.scomp
scomp-link pipeline --config pipeline.yaml

시각화 및 보고서

scomp-link는 세 가지 시각화 엔진을 제공합니다. 자세한 내용은 visualization-guide.md를 참조하세요.

빠른 참조

엔진최적 용도출력상호작용성
Plotly표준 ML 차트 (히스토그램, 산점도, 막대)HTML (대화형)예
RAWGraphs출판 품질 다이어그램 (생키, 트리맵, 코드)SVG (정적)아니요
Highcharts시계열 (스트림그래프, 히트맵, 간트)HTML (대화형)예

HTML 보고서 생성 (Python API)

from scomp_link.utils.report_html import ScompLinkHTMLReport
from scomp_link.utils.plotly_utils import histogram, barchart, linechart, area_chart
from scomp_link.utils.highcharts import streamgraphs, calendar_heatmap, calendar_gantt
from scomp_link.utils.rawgraphs import treemap, sankey_diagram, sunburst

# 1. 초기화
report = ScompLinkHTMLReport(title='내 분석 보고서')

# 2. 콘텐츠로 섹션 추가
report.open_section("데이터 개요")
report.add_title("데이터셋 통계")
report.add_text("10,000개의 고객 레코드 분석.")
report.add_dataframe(summary_df, "요약 통계")
report.close_section()

# 3. 차트 추가
report.open_section("분포")
fig = histogram(df['age'].values, "나이 분포")
report.add_graph_to_report(fig, "나이 히스토그램")
report.close_section()

# 4. RAWGraphs SVG 추가
report.open_section("계층적 보기")
svg = treemap(labels, parents, values, "카테고리별 수익")
report.add_rawgraphs_to_report(svg, "수익 트리맵")
report.close_section()

# 5. Highcharts 추가
report.open_section("시간 추세")
html_stream = streamgraphs("판매 추세", dates, series_dict, area=True)
report.html_report += html_stream  # Highcharts는 HTML 직접 추가
report.close_section()

# 6. 저장
report.save_html('analysis_report.html')
report.save_pdf('analysis_report.pdf')  # Playwright 필요

사용 가능한 차트 (31개 RAWGraphs + 5개 Plotly + 3개 Highcharts)

비교: 막대차트, 다중집합막대차트, 쌓인막대차트, 원형차트, 레이더차트, 보로노이다이어그램 분포: 비즈와움, 상자그림, 바이올린그림 시계열: 범프차트, 간트차트, 호라이즌그래프, 꺾은선차트, 경사차트, 스트림그래프 상관관계: 버블차트, 등고선플롯, 볼록껍질, 육각형비닝, 매트릭스플롯, 평행좌표 계층 구조: 원패킹, 원형덴드로그램, 덴드로그램, 선버스트, 트리맵, 보로노이트리맵 네트워크: 알루비알다이어그램, 아크다이어그램, 코드다이어그램, 생키다이어그램 Plotly: 히스토그램, 다중히스토그램, 막대차트, 꺾은선차트, 영역차트 Highcharts: 스트림그래프, 캘린더히트맵, 캘린더간트

연결 패턴

명령어는 이전 명령어의 출력이 다음 명령어의 입력이 되도록 체이닝되도록 설계되었습니다:

describe → (열 이해) → engineer → (engineered.csv) → tune → (model.scomp) → validate → (메트릭)
                                                                              ↓
                                                                       predict (새 데이터)
                                                                              ↓
                                                                       serve (REST API)

주요 패턴:

  • --save-artifact model.scomp → predict/validate/explain/export/serve에서 --artifact model.scomp와 함께 사용
  • --output file.csv → 다음 명령어에서 --data file.csv로 사용
  • --report file.html → 독립형 HTML 출력 (브라우저에서 보기 가능)
  • --plot file.html → forecast/drift/anomaly/cluster/compare의 차트 출력

일반적인 오류 및 해결 방법

오류원인해결 방법
ValueError: could not convert string to float숫자 모델에 범주형 열 포함--engineer 플래그 사용 또는 범주형 전처리
FileNotFoundError: artifact not found.scomp 파일 경로 오류경로가 존재하는지 확인, 절대 경로 사용
ImportError: torch requiredNLP/딥러닝 종속성 누락pip install scomp-link는 모든 종속성 포함
ArrowInvalid: 1-dimensional array전처리 중 이미지/배열 데이터v1.2.0에서 수정됨 — scomp-link 업데이트
No module named 'click'spaCy 종속성 누락pip install click (전이 종속성)
WeasyPrint: cannot load gobjectPDF용 시스템 라이브러리 누락WeasyPrint 대신 save_pdf() (Playwright) 사용

MCP 서버

scomp-link는 에이전트 통합을 위한 MCP 서버를 포함합니다:

# MCP 서버 시작 (Claude Desktop / Kiro / Cursor용 stdio 모드)
scomp-link mcp

# 또는 직접 실행
python -m scomp_link.mcp_server

전체 워크플로 예제는 workflow-patterns.md를 참조하세요.

관련 스킬