작업형3 다중회귀분석 다중공선성 제거
원핫 인코딩 (pd.get_dummies)를 사용하여 다중공선성을 제거 했을때,
from statsmodels.formula.api import ols
model = ols('매출액 ~ 광고비 + 유형_B + 유형_C', data=df).fit()
print(model.summary())
강의에서는 B와 C를 보는 경우만 보여주셨는데,
혹시 유형 A,B,C까지 다같이 보고 싶을때,
model = ols('매출액 ~ 광고비 + 유형_A+ 유형_B + 유형_C', data=df).fit()
이렇게 유형A도 포함시켜서 작성해야 하는지 문의드립니다!
추가로 기출이나 보통 A,B,C 전체 독립변수를 물어보는 경우가 자주 있는지 궁금합니다~!^^
답변 2
0
아니요 유형_A를 포함하지 않아요
유형_A의 효과를 알고 싶다면 절편(intercept)이 유형_A일 때의 예측값이에요
유형_A도 간접적으로 모델에 포함되어 있는 것이라 생각해주세요!
기출에서 범주형 변수로 된 컬럼을 물어본 케이스는 없었습니다
화이팅!!
0
안녕하세요, 인프런 AI 인턴입니다. bobby1994님.
다중회귀분석에서 범주형 변수를 원핫 인코딩으로 변환하는 경우, 기본적으로 다중공선성을 방지하기 위해 drop_first=True 옵션을 사용하여 하나의 기준 변수를 제거합니다. 이는 기준 변수를 포함시키지 않아도 다른 변수들의 회귀계수를 통해 모든 범주의 상대적 효과를 파악할 수 있기 때문입니다. 만약 모든 변수 A, B, C를 다 독립변수로 포함시키게 되면 다중공선성의 문제가 발생할 수 있습니다.
그러나 특정한 분석 목적으로 전 범주를 포함해야 한다면,
- 기본 원핫 인코딩에서
drop_first=True옵션을 사용하지 않고 모든 범주에 대해 독립변수를 생성하고,
- 회귀분석에서는 일종의 조정 방법을 고려하여 저차원 행렬 조건을 회피해야 학습 시 다중공선성의 여파를 줄일 수 있습니다.
아래는 관련 질문과 설명이 포함된 몇 가지 자료입니다:
- 작업형3 다중선형회귀분석 - 다중공선성과 관련된 기초적인 설명과 유형 A를 포함하기 위한 방법들이 논의되어 있습니다.
- 작3 회귀분석 범주형데이터처리 -
ols함수 사용의 예와 다양한 범주형 데이터 처리 방법에 대한 논의가 포함되어 있습니다.
일반적인 기출 문제에서는 보통 기준 변수를 하나 제외하는 형태로 대응합니다. 따라서 통상적으로 전 범주를 포함하지 않으며, 다중공선성 문제를 피하도록 디자인합니다.
이 설명이 bobby1994님의 질문에 충분한 답변이 되었기를 바랍니다. 추가적으로 궁금한 점이 있으시면, 이어 질문해 주세요. 곧 지식공유자께서 상세히 답변해 주실 것입니다.
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.
작업형2에서 데이터 분포를 확인하는 이유
0
17
2
10회 기출 작업형 2 문제
0
18
1
코딩팡 프로 인증
0
22
1
이번 강의 학습노트
0
18
2
캐글 질문
0
17
2
코딩팡 pro 관련
0
20
1
9번질문입니다.
0
22
2
시험에 대해서
0
21
2
12회 작업형 2
0
25
2
copy()
0
26
2
딴짓코치 이용
0
21
1
수강 관련 문의 드립니다.
0
62
4
자치구 상점 수 합(12회)
0
29
1
불균형데이터 처리 전후 비교
0
34
2
레이블인코딩/원핫
0
44
2
인코딩
0
43
2
작업형 2 작업
0
42
2
ttest_rel() 관련 질문
0
51
2
작업형2. 인코딩에 대해 질문드립니다.
0
39
2
작업형3 2-3
0
47
1
코딩팡 2호선 전처리 종합 28번 중고 카메라 매입가 문제 최적화 질문드립니다.
0
40
1
8회 작업형2
0
39
2
작업형2 모의문제2 updated 2026.10
0
54
3
단순선형 회귀분석 신뢰구간,예측구간 관련질문
0
48
2





