[ML] 2. 데이터 인코딩과 피처 스케일링

데이터 인코딩

1. 레이블 인코딩

범주형 데이터를 숫자로 일대일 매핑해주는 인코딩 방식

범주형 데이터를 숫자로 치환하는 것

 

원본	레이블 인코딩 적용 후
사과	3
블루베리	2
바나나	1
귤	0
바나나	1
사과	3

 

원본데이터에 사전순으로 번호를 매김

 

단점: 명목형 데이터를 레이블 인코딩하면 모델 성능이 떨어질 수 있음

머신러닝모델이 서로 가까운 숫자를 비슷한 데이터로 판단하기 때문이다. 

 

from sklearn.preprocessing import LabelEncoder # 레이블 인코더

fruits = ['사과', '블루베리', '바나나', '귤', '블루베리', '바나나', '바나나', '사과']

# 레이블 인코더 생성
label_encoder = LabelEncoder()
# 레이블 인코딩 적용
fruits_label_encoded = label_encoder.fit_transform(fruits)

print('레이블 인코딩 적용 후 데이터:', fruits_label_encoded)

레이블 인코딩 적용 후 데이터: [3 2 1 0 2 1 1 3]

 

2. 원-핫 인코딩

여러 값 중 하나(one)만 활성화(hot) 하는 인코딩

 

단점: 희소행렬 -> 메모리 공간 많이 소모 

 

from sklearn.preprocessing import LabelEncoder, OneHotEncoder

fruits = ['사과', '블루베리', '바나나', '귤', '블루베리', '바나나', '바나나', '사과']

# 레이블 인코더, 원-핫 인코더 생성
label_encoder = LabelEncoder()
onehot_encoder = OneHotEncoder()

# 레이블 인코딩 적용(문자 데이터 -> 숫자 데이터)
fruits_label_encoded = label_encoder.fit_transform(fruits)
# 원-핫 인코딩 적용
fruits_onehot_encoded = onehot_encoder.fit_transform(fruits_label_encoded.reshape(-1, 1))

print('원-핫 인코딩 적용 후 데이터:\n', fruits_onehot_encoded.toarray())

원-핫 인코딩 적용 후 데이터:
 [[0. 0. 0. 1.]
 [0. 0. 1. 0.]
 [0. 1. 0. 0.]
 [1. 0. 0. 0.]
 [0. 0. 1. 0.]
 [0. 1. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 0. 1.]]

 

 

피처 스케일링

서로 다른 파처 값의 범위가 일치하도록 조정하는 작업

값의 범위가 데이터마다 다르면 모델 훈련이 제대로 안 될 수 있다.

 

1. min-max 정규화

피처 값의 범위를 0~1로 조정하는 기법

조정 후 최솟값은 0, 최댓값은 1이 된다.

 

 

주의: 이상치가 너무 크거나 작을 때는 min-max정규화가 좋지 않은 결과를 낼 수도 있음

정규화 후 이상치는 0 또는 1, 그 외는 좁은 구간에 몰림

 

2. 표준화 standardization

평균이 0, 분산이 1이 되도록 피처값을 조정하는 기법

min-max정규화와 다르게 상한과 하한이 없다.

 

https://www.kaggle.com/werooring/ch5-feature-scaling 

[ch5] Feature Scaling