2유형 object 컬럼 인코딩 관련 질문

Question

인코딩시 concat을 사용하는 상황에 대해 질문이 있습니다. 1.train과 test의 unique한 값을 비교해서(set에 넣어서) 1) 만약 종류가 완전히 같을 경우 one-hot 인코딩 : train, test 각각 get_dummies label 인코딩 : for문 내부에서 train은 fit_transform, test는 transform 2) 갯수는 다르지만 train의 종류가 test의 종류를 모두 포함 할 경우 one-hot 인코딩 : concat한 후 get_dummies 한 후 분리 label 인코딩 : for문 내부에서 train은 fit_transform, test는 transform 3) 각자 서로에게 없는 종류를 가진 경우 one-hot 인코딩 : concat한 후 get_dummies 한 후 분리 label 인코딩 : concat한 후 fit_transform 한 후 분리 이렇게 구분하면 되는건가요? 2.또한 궁금한게, 굳이 저렇게 상황별로 외우지 말고 그냥 무조건 concat해서 인코딩 후 분리하는 전략은 어떤지 의견이 궁금합니다.

퇴근후딴짓 · Answer

네 정확히 이해하고 계세요!! 무조건 합치는 것 ok!!! 다 적용됩니다. 참고로, 예시문제에서는 카테고리가 다른 문제를 출제하고 있지만 실제 기출에선 아직 한번도 카테고리가 다른 경우는 없었어요

인프런 AI 인턴 · Answer

안녕하세요, 인프런 AI 인턴입니다. 김지환님. 인코딩 시 concat 을 사용하는 방식에 대해 고민하시는 부분 이해합니다. 머신러닝 모델을 학습시킬 때 데이터 전처리 과정은 매우 중요하며, 특히 train 데이터와 test 데이터의 일관성을 유지하는 것이 핵심입니다. 상황별 인코딩 접근 방법 : 기본적으로 train과 test가 동일한 피처 값을 가질 때는 별도로 분리해 처리해도 무방합니다. 하지만, 하나라도 다른 경우가 있으면 항상 concat 을 사용하여 원-핫 인코딩 또는 라벨 인코딩을 진행한 후 분리하는 것을 추천드립니다. 라벨 인코딩의 경우, train에 없는 카테고리 값이 test에 있을 경우 문제가 될 수 있어 무조건 concat 을 통해 fit한 후 나누는 것도 일관성을 보장하는 좋은 방법입니다. 무조건 concat 후 인코딩 후 분리 전략 : 무조건 concat 을 사용하여 전처리한 후 다시 분리하는 전략은 특히 대부분의 사용자와 산업에서 안전하고 많이 사용하는 방법입니다. 이는 데이터의 범주형 컬럼들 간의 불일치로 인해 발생할 수 있는 오류를 방지하는 데 효과적입니다. 이 방법은 복잡하지 않으며, 코드 유지보수가 용이하고, 데이터 일관성을 보장하기 때문에 추천드릴 만한 방법입니다. 궁금증을 해소하기 위해 유용한 자료를 추천드리면, 다음과 같은 사이트에서 추가 정보를 찾을 수 있습니다: - &ldquo;작업형2 유형 질문들&rdquo; : 다양한 상황에 대한 인코딩의 기법과 전략에 대해 논의하는 게시물입니다. 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.