머신러닝 복습, 범주형 변수를 인코딩해보자 💪

머신러닝에서 범주형 변수를 인코딩해야 하는 이유는 정말 중요하다. 왜냐하면,

• 머신러닝 모델은 숫자 데이터만 이해할 수 있어서, 범주형 변수를 숫자로 변환해야 한다. 모델에게 맞게 언어를 해석하도록 하는 것이다.
• 범주형 변수를 인코딩하면 모델이 범주 간의 관계를 파악하고 예측에 활용할 수 있다.
• 인코딩을 통해, 범주형 변수의 유용한 정보를 보존할 수도 있다. 때론 모델의 성능을 향상해 준다.
• 원-핫 인코딩과 같은 효과적인 방법을 사용하면, 범주형 변수의 다양한 범주를 이진 형태로 표현할 수 있고 모델이 이해하기 쉽게 만들어준다.
• 모델의 예측 정확도를 향상시키고, 데이터 분석 및 예측 프로세스를 더 효과적으로 수행하는 핵심 도구로 범주형 변수의 인코딩은 반드시 고려해야 한다. 말그대로 머신러닝의 비결이다.

그래서 오늘은 범주형 데이터를 인코딩하는 다양한 방법을 연습해본다.

범주형 인코딩 방법은 총  6가지로 여기를 참고했다.

• One-Hot Encoding
• Label Encoding
• Ordinal Encoding
• Binary Encoding
• Frequency Encoding
• Mean Encoding

 

데이터는 데이콘 블로그를 참고해 만들어 준비했다.