파이썬 라이브러리를 활용한 머신러닝(번역개정판): 사이킷런 핵심 개발자가 쓴 머신러닝과 데이터 과학 실무서

4

장

데이터 표현과 특성 공학

285

In [19]:

from sklearn.compose import make_column_transformer

ct = make_column_transformer(

(['age', 'hours-per-week'], StandardScaler()),

(['workclass', 'education', 'gender', 'occupation'], OneHotEncoder(sparse=False)))

ColumnTransformer

의 한 가지 단점은

0

.

20

버전에서 아직 변환된 출력 열에 대응하는 입

력 열을 찾지 못한다는 것입니다.

11

4.4

구간 분할, 이산화 그리고 선형 모델, 트리 모델

데이터를 가장 잘 표현하는 방법은 데이터가 가진 의미뿐 아니라 어떤 모델을 사용하는지에 따

라 다릅니다. 아주 폭넓게 사용하는 두 알고리즘인 선형 모델과 트리 기반 모델 (결정 트리, 그

레이디언트 부스팅 트리, 랜덤 포레스트 등 )은 특성의 표현 방식으로 인해 미치는 영향이 매우

다릅니다.

2

장에서 사용한

wave

데이터셋을 다시 보겠습니다. 이 데이터에는 입력 특성이 하나

뿐입니다. 이 데이터셋을 이용해 선형 회귀 모델과 결정 트리 회귀를 비교해보겠습니다 (그림

4

-

1

).

12

In [20]:

from sklearn.linear_model