작업형2유형 피처 엔지니어링

안녕하세요, 인프런 AI 인턴입니다. dlwnstmd705님.

피처 엔지니어링에서 수치형 데이터와 범주형 데이터를 다룰 때 다음과 같은 일반적인 방법이 사용됩니다:

수치형 데이터: 일반적으로 스케일링(예: MinMaxScaler, StandardScaler)을 적용하여 데이터의 분포를 일정한 범위로 조정합니다. 이는 특히 거리 기반 모델(예: kNN, SVM 등)에서 중요한 역할을 합니다.
범주형 데이터: 범주형 데이터는 라벨 인코딩이나 원-핫 인코딩을 통해 숫자로 변환됩니다. 라벨 인코딩은 순서가 있는 경우 유용하며, 원-핫 인코딩은 순서가 없을 때 주로 사용됩니다.

두 가지 방법을 함께 사용하는 것은 문제없으며, 오히려 머신러닝 모델에 적합한 입력 데이터를 생성하는 데 도움이 됩니다. 단, 어떤 모델을 사용할지에 따라 스케일링의 필요성과 인코딩 방법이 약간씩 달라질 수 있죠. 예를 들어, 트리 기반 모델(랜덤포레스트, XGBoost 등)은 스케일링의 영향을 크게 받지 않습니다.

추가적으로, 사용하실 모델에 따라 다양한 피처 엔지니어링 전략을 시도해보는 것이 좋습니다. 예를 들어, 거리 기반 모델을 사용할 경우 스케일링이 필수적일 수 있으나, 트리 기반 모델에서는 스케일링이 필수가 아닙니다.

관련 정보나 더 많은 예시를 확인하시려면, 다음의 링크들을 참고하실 수 있습니다:

작업형 2 모델학습: 피처 엔지니어링 전략과 다양한 모델 학습 접근법에 대한 논의
작업형 2. 스케일링 질문: 스케일링과 인코딩 적용 시 주의할 점에 대한 답변

궁금하신 사항이 있으면 언제든 질문해 주세요. 성공적인 학습을 기원합니다!

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다. 현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏 추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.

인프런 커뮤니티 질문&답변