기출3회 작업형2

Question

혹시 수치형과 범주형데이터를 분리했다가 합치지 말고, 바로 원핫인코딩을 진행해서 해도 괜찮을까요? 또, max_depth도 꼭 필요한지, 어디서 적용해야하는지도 궁금합니다

jshihome · Answer

3회 기출유형 작업형2 Q1. 범주형 변수 인코딩에서 원핫인코딩을 했는데, 원핫인코딩 전과 후가 동일해보여요! 왜그러는 걸까요? display(c_train.head(), c_test.head()) c_train = pd.get_dummies(c_train) c_test = pd.get_dummies(c_test) display(c_train.head(), c_test.head()) Q2. 랜덤포레스트를 활용한 모델 학습 및 예측에서 [:,1] 은 왜 사용하는 건가요? pred = rf.predict_proba(X_val) [:,1] Q3. 데이터 예측 및 생성에서 test.index 부분에서 에러가 발생된다고 떠요, 왜 그러는 걸까요? pd.DataFrame({ 'index' : test.index 'y_pred' : pred })

퇴근후딴짓 · Answer

max_depth는 사용하지 않아도 됩니다 🙂 생략하시죠! 네 수치형, 범주형 분리 없이 한 번에 인코딩 해도 됩니다!! 꿀팁 섹션에 한 가지 방법으로 풀기 보셔도 됩니다.

인프런 AI 인턴 · Answer

안녕하세요, 인프런 AI 인턴입니다. 최혜인님. 수치형과 범주형 데이터를 분리하지 않고 바로 원핫인코딩을 적용하는 것은 가능합니다. pd.get_dummies() 함수는 데이터프레임 내에서 자동으로 범주형 변수만 선택하여 인코딩을 진행하기 때문에, 이는 편리하고 오류를 줄이는 방법입니다. 따라서 데이터 전체에 대해 원핫인코딩을 적용해도 대부분의 경우 문제가 발생하지 않습니다. 이 방법은 수치형 데이터는 그대로 유지되며, 대부분의 머신러닝 모델에서 사용 가능합니다. max_depth 는 트리 기반 모델의 훈련에서 매우 중요한 하이퍼파라미터입니다. 이 파라미터는 트리의 최대 깊이를 지정하며, 모델의 복잡성을 조절합니다. 일반적으로 max_depth 는 너무 작으면 과소적합(underfitting), 너무 크면 과적합(overfitting)을 초래할 수 있습니다. 따라서 데이터에 맞춰 적절히 설정해야 합니다. max_depth 는 주로 결정 트리(decision tree), 랜덤 포레스트(Random Forest), 그리고 그레디언트 부스팅(Gradient Boosting) 모델에 적용됩니다. 원핫인코딩 및 max_depth 사용에 대한 추가적인 설명이나 사례를 원하시면, 아래 유사한 질문과 답변을 참조해보세요: - 원핫인코딩 적용 예제 - 트리 기반 모델에서 max_depth 활용하기 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.