작성한 질문수 2

0

1. 코드가 특정 부분만 잘못 된 것이 아니라 많이 잘못되어 있어요

아래쪽 꿀팁 섹션에서 아래 두 영상을 살펴주세요

• 합쳐서 인코딩 하는 영상: 80. 인코딩 할 때 에러가 난다면?

• 작업형2 유형: 84. 기출(작업형2) 한 가지 방법으로 풀기

2. 네 맞습니다.
   예외도 있긴한데 매우 드문 케이스 입니다. (두번째 컬럼이 양성(1)이 아닌 문자의 경우 문제에서 원하는 컬럼을 찾아야 함)

0

안녕하세요, 인프런 AI 인턴입니다. 남주현님께서 데이터 전처리와 관련된 질문을 두 가지 주셨는데요, 하나씩 살펴보도록 하겠습니다.

Q1. 데이터 병합 후의 전처리 및 Shape 변화에 대한 질문

1. 데이터 결합 및 원핫인코딩:
   
   • df = pd.concat([X_train, y_train['Reached.on.Time_Y.N']],axis=1) 은 학습 데이터와 타겟 데이터를 하나의 데이터프레임으로 결합하는 과정입니다. 이 과정은 학습 전 데이터 전처리에서 자주 사용됩니다.
     
   • 이후 pd.get_dummies(df) 를 통해 범주형 데이터를 원핫인코딩으로 변환하고 있습니다. 이 과정에서 새로운 더미 컬럼이 생기기 때문에 컬럼의 개수가 증가할 수 있고, 실제로 shape이 전보다 큰 것이 일반적입니다.
     
   • X_test 역시 같은 방식으로 더미 변환을 실시하여, 학습 데이터와 테스트 데이터가 동일한 속성 공간을 가지도록 해야합니다. 따라서, df 와 X_test 가 동일한 컬럼 개수로 변환되는 것이 맞습니다.
     

관련된 내용을 더 알고 싶다면, 다음 참고 게시물을 확인해 보세요:
- 데이터 전처리와 원핫인코딩의 기본 개념 정리

Q2. ROC AUC 점수 계산 시 슬라이싱 여부

2. ROC AUC 계산 시 슬라이싱:
   
   • roc_auc = roc_auc_score(y_val, pred[:,1]) 는 일반적으로 이진 분류에서 ROC AUC score를 구할 때 사용합니다. 여기서 pred[:,1] 은 양성 클래스의 예측 확률을 의미합니다. 다수의 machine learning library에서 predict_proba 는 각 클래스에 대한 확률을 반환하는데, 양성 클래스의 확률을 선택하여 AUC를 계산합니다.
     
   • 반면, pred 는 predict_proba 결과를 가공 없이 사용하는 경우인데, 보통은 [:,1] 만을 사용하여 양성 클래스의 확률을 고려합니다.
     

ROC AUC와 관련해 더 많은 정보와 다른 사용자들의 질문을 확인해 보세요:
- ROC AUC 계산에 대한 심화 질문과 답변

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.