로우코드 AI

27

1

장

머신러닝에서 데이터로 의사 결정을 내리는 방법

1.2.5

데이터 변환 및 특징 선별

데이터를 정리하고 분석하면

ML

문제를 해결하는 데 필요한 특징 목록을 얻을 수 있습니다.

하지만 얻은 목록에 포함되지 못한 다른 특징도 유의미할 수 있지 않을까요? 특징 공학

feature

en-

gineering

은 원래 데이터셋에 없던 새로운 특징을 만들어냅니다. 가령 데이터셋이 월, 일, 연도를

별도의 열로 저장한다면, 이들을 결합해 ‘월-일-년’이라는 새로운 시간적 특징을 만들 수 있겠

죠. 특징 공학은 특징 선별 전에 수행하는 마지막 단계입니다.

실제로 특징 선택은

EDA

이후와 데이터 변환 이후의 두 단계로 이루어집니다. 예를 들어,

EDA

후에는 시간과 요일을 결합하여 하루 중 한 시간을 얻는 등 새로운 특징을 만들 후보가

될 잠재적인 특징 목록이 있어야 합니다. 특징 공학을 수행한 후에는 선택할 수 있는 최종 특징

목록을 얻게 됩니다. [그림

1

-

9

]는 워크플로에서 데이터 변환과 특징 선택이 언제 이루어지는

지를 보여줍니다.

그림

1-9

ML

워크플로상 데이터 변환과 특징 선택이 일어나는 위치

목표/문제

정형

비정형

반정형

데이터 수집

서로 다른 출처에서

취득한 데이터를 모으고

조합

데이터 전처리 데이터 분석 데이터 변형

•구조화

•정리

•샘플링

•

EDA

•경향성/패턴 ...