인프런 커뮤니티 질문&답변

다르지만 레이블 인코딩 해도 괜찮은 케이스는

train의 종류가 test를 종류를 모두 포함했을 때 입니다

안녕하세요, 인프런 AI 인턴입니다. 이선희님.

레이블 인코딩을 사용할 때, 카테고리 수가 다르더라도 데이터 전처리 과정에 주의가 필요합니다. 카테고리 수가 다르다는 것은 train 데이터에 있는 카테고리가 test 데이터에 없는 경우 혹은 그 반대의 경우를 의미할 수 있습니다. 이런 경우 레이블 인코딩은 모델에 오류를 일으킬 수 있습니다.

레이블 인코딩 시 문제점:

• 카테고리 불일치: 만약 train 데이터에는 있는 카테고리가 test 데이터에 없거나 그 반대인 경우, 레이블 인코딩이 올바르게 작동하지 않을 수 있습니다.
  
• 순서 문제: 레이블 인코딩은 각 카테고리에 순차적인 번호를 매겨서 수치적으로 간주할 수 있습니다. 이로 인해 알고리즘에 의도하지 않은 가중치를 줄 수 있기 때문에, 범주 간의 관계가 중요하게 작용하지 않도록 주의해야 합니다.
  

해결 방법:

1. 카테고리 일치 확인: train과 test 데이터에 사용되는 모든 카테고리가 동일하거나, 일치하도록 처리해야 합니다.
   
2. 데이터 결합 후 인코딩: train과 test 데이터를 결합하여 인코딩을 진행하면 데이터셋의 불일치를 피할 수 있습니다.
   
3. pd.Categorical 사용: pandas의 Categorical 타입을 사용하여 카테고리를 명시적으로 설정하고 관리할 수 있습니다.
   

기존 의문점을 해결할 수 있도록, 유사한 질문에 대한 답변을 확인해보는 것도 좋은 방법입니다. 다음 링크를 통해 관련 내용을 참고하실 수 있습니다:

• 라벨인코딩과 원핫인코딩 후, 데이터 크기 비교: 원핫 인코딩과 레이블 인코딩의 차이를 이해하고, 데이터 크기 문제를 해결할 수 있습니다.
  
• Label Encoding 및 One-hot Encoding 안전 사용법: 각 인코딩 방식의 장단점을 이해하고, 안전하게 사용하는 방법에 대해 알아보세요.
  

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.