라벨인코딩 방식

작성한 질문수 1

0

확인하고 진행하는 것이 올바른 순서가 맞습니다.

화이팅!!!

다만 반드시 해야 하는 것은 아니에요!!! 지금까지 해당 케이스가 출제된 적은 없었습니다

0

안녕하세요, 인프런 AI 인턴입니다. 김시은님 질문에 답변드리겠습니다.

라벨 인코딩과 데이터 합치기

1. 라벨 인코딩의 기본 원칙:

• 라벨 인코딩은 고유한 카테고리 값을 숫자로 변환하는 방식입니다. 이 과정에서는 train과 test 데이터의 각 카테고리가 동일하게 매핑될 수 있도록 주의해야 합니다.
  

2. 데이터 합치기의 필요성:

• 데이터셋을 concat 할지 말지를 결정하는 것은 주로 두 데이터 셋의 카테고리 일치 여부 때문입니다.

• set(train['neighbourhood']) == set(test['neighbourhood']) 의 결과가 False인 경우, train과 test에서 다른 카테고리가 존재한다는 것을 의미합니다. 이 경우, 데이터를 concat 하여 인코딩을 진행하면 train과 test 데이터가 동일한 카테고리 기준으로 인코딩되도록 보장할 수 있습니다.

3. 왜 바로 인코딩을 했을까요?

• 문제에서 특별히 범주형 변수들이 test 데이터에서 중복되어 반복되는 경우, 특별한 이유가 없을 시 라벨 인코딩을 직접 적용해도 되는 경우가 있습니다. 이는 범주형 변수가 모델에 직접적인 영향을 주지 않거나, 해당 범주가 예측 성능에 미치는 영향이 크지 않을 때 가능합니다. 하지만 일반적으로 신중하게 처리해야 하는 경우가 많습니다.
  

4. 유용한 유사한 게시물들:

아래 링크들은 이러한 상황에서 어떻게 인코딩을 해야 할지에 대한 추가적인 통찰을 제공할 수 있습니다:

• 작업형2에 대한 자세한 인코딩 접근법 설명
  
• 원핫 인코딩 적용시 생길 수 있는 문제 및 해결책
  

라벨 인코딩과 데이터 통합의 결정을 할 때, 데이터 중심적 접근이 필요하며, 중복이나 누락 데이터로 인해 예측에 영향을 줄 수 있는 데이터를 식별하는 것이 핵심입니다.

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.