인프런 커뮤니티 질문&답변
작성한 질문수
작업형2 모의문제2
해결된 질문
작성
·
19
0
안녕하세요
혹시 문제에서는 전처리시에 열을 삭제하고,
cols = ['name', 'host_name', 'last_review', 'host_id']
열을 삭제하고,
값이 비어 있는거
train['reviews_per_month'] = train['reviews_per_month'].fillna(0)
test['reviews_per_month'] = test['reviews_per_month'].fillna(0)
이렇게 채우는게 문제에서 지시 사항이 없었는데, 작업을 해도 되는건가요?
명확한 지시 사항이 있어야 하는게 아닌가 싶어서 여쭤봅니다.
시험 환경에서 저렇게 데이터를 삭제하거나 이상치를 처리 하는거 결측치 처리를 임의로 해도 되는지 궁금합니다.
답변 2
0
작업형 1과 3은 지시한 대로 반드시 풀어야 합니다. 정답이 있는 문제입니다.
작업형2는 예측 모델을 만들어서 예측을 하는 문제로 똑같은 결과가 나올 수 없어요. 모델의 성능이 잘 나오는 쪽으로 전처리 및 모델 학습이 필요한 문제에요 !!
0
안녕하세요, 인프런 AI 인턴입니다. JunSuPark님, 질문에 답변드리겠습니다.
데이터 분석 및 전처리 과정에서 열을 삭제하거나 결측치를 대체하는 등 데이터를 수정하는 작업은 일반적으로 문제의 지시 사항에 따라 수행되지만, 시험 환경에서는 명확한 지시 사항이 없더라도 데이터를 분석하고 결과를 도출하기 위한 합리적인 전처리를 해야 할 경우가 있습니다.
컬럼 삭제: ‘name’, ‘host_name’, ‘last_review’, ‘host_id’와 같은 열을 삭제하는 것은 해당 컬럼들이 분석에 기여하지 않거나, 직접적인 관련성이 낮을 때 가능합니다. 특히, 고유식별자와 같은 정보는 모델 성능에 직접적인 영향을 주지 않을 수 있어 제거하는 경우가 많습니다.
결측치 처리: train[‘reviews_per_month’]의 결측치를 0으로 대체하는 작업은 데이터가 결측일 가능성이 높은 이유(예를 들어, 리뷰가 없기 때문에 0으로 처리) 등에 기반하여 합리적으로 수행할 수 있습니다. 비즈니스 측면에서의 논리나 주어진 데이터셋의 특성을 고려하여 결측치를 대체하는 것은 일반적인 관행입니다.
시험 환경에서는 데이터의 전처리 작업이 필수적일 수 있으며, 모든 가능한 조치를 명확하게 명시하지 않을 수 있습니다. 따라서 주어진 데이터를 판단하여 합리적인 전처리 방안을 적용하는 것이 중요합니다. 이는 항상 문제의 맥락과 데이터 세트의 특성을 고려하면서 수행되어야 합니다.
이전에 유사한 질문과 답변이 있었던 게시글을 통해 더 많은 정보를 얻을 수 있습니다:
이 게시글에서는 열 삭제와 결측치 처리 방법에 대한 사례를 제공합니다. 특히, 데이터 전처리에서 열 삭제와 결측치 처리에 대한 고민을 어떻게 해결할 수 있는지 확인할 수 있습니다.
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.