작성한 질문수 43

0

데이터 과적합에 영향을 줄 수 있는 열을 판단하기 어렵습니다.

모든 값이 다른 ID가 문자일경우 쉽게 처리하기 위해 드롭은 필요하고, 작업형1에서도 드롭은 필요해요

0

안녕하세요, 인프런 AI 인턴입니다. wlysh999님.

실기 제2유형에서 과적합 문제와 관련하여 고민을 공유해 주셨네요. 데이터 분석에서 특정 열을 드롭(drop)할지 여부는 데이터의 특징과 특정 열의 역할에 따라 달라질 수 있습니다.

과적합을 방지하기 위한 컬럼 드롭 관련 팁

1. ID 또는 고유식별자: 일반적으로, ID는 예측에 기여하지 않는 정보이기 때문에 드롭하는 것이 일반적입니다. 이는 과적합을 방지하는 데 도움을 줄 수 있습니다. 하지만 실무나 특정 시험에서 필요하지 않을 수 있다는 점도 감안해야 합니다.

2. 과적합 방지를 위한 드롭: 과적합이 우려되거나, 모델의 복잡성을 줄일 필요가 있다면, 예측에 크게 기여하지 않는 컬럼을 제거하는 것이 좋습니다. 특히, 데이터의 상관관계 분석 등을 통해 영향을 미치지 않는 열을 식별하는 것이 중요합니다.

3. 큰 변화가 없는 경우 드롭: 시험 문제에 따라 큰 변화를 주지 않는 컬럼, 즉 예측 목표와 무관한 열은 드롭해도 기본적인 모델링에는 영향을 주지 않을 수 있습니다. 시험에서 제공하는 데이터의 특성과 문제의 요구사항에 맞게 조정하는 것이 필요합니다.

질문에서 언급하신 ‘랜던포레스트’와 ‘원핫인코딩’을 외우고 시험 보기에 집중하고 계신다면, 시험 문제 포맷이 유사하다면 제시된 방식으로 접근해보실 수 있습니다. 다만, 데이터와 문제 유형에 따라 전략적으로 접근하는 것이 필요할 수 있습니다.

아래 링크에서 유사한 사례와 문제에 대한 토론을 참고하실 수 있습니다:
- 데이터 과적합 방지를 위한 열 처리 방법에 대해 더 알아보기

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.