MinMaxScaler 미사용

안녕하십니까, 

일반적인 딥러닝은 선형회귀와 비슷한 로직으로 이해 될 수 있습니다. 다만 딥러닝은 선형 방식이 아니라 비선형 방식이고, 은닉층의 갯수를 많아질 수 있으므로 복잡도가 훨씬 높습니다. 

선형회귀는 보통  y = w0 + w1X1 + w2X2 + .... + wnXn과 같은 식으로 근사 시킬 수 있습니다. 여기서 y는 타겟값, X는 피처, w는 회귀 계수(딥러닝의 weight)입니다. 예를 들어 집 가격을 근사하는 회귀 식은

집가격 = w0 + w1* 집넓이 + w2*근처지하철역까지의 거리 +... 와 같이 구할 수 있습니다. 집넓이, 근처 지하철거리는 다 피처 입니다. 

그런데 딥러닝은 피처들의 스케일링에 대해서 매우 민감합니다. 일반적으로 선형회귀도 스케일링에 영향을 받지만 딥러닝 방식은 그 영향도가 더 큰것 같습니다. 

스케일링이라 개별 피처들의 크기를 통일하여 특정 척도로 맞추는 것입니다. 가령 집넓이는 30평, 40평, 50평이 될 수 있지만 근처 지하철역 거리는 100m, 500m, 1000m 가 될 수 있습니다. 회귀식으로 보면 집 가격 = w0 + w1*30평 + w2*1000m가 될 수 있습니다. 이때 집가격과 지하철역 거리까지 서로 크기 구성이 다르기 때문에 w1과 w2는 이들 값에 크게 영향을 받습니다. w1이 1->2로 변할때랑 w2가 1->2로 변할때 타겟값의 범위 차이가 확연히 달라 집니다. 지하철역 거리가 더 큰 숫자이기 때문에 w2의 변동량에 회귀식은 더 큰 영향을 받습니다. 

이 때문에 개별 피처들의 크기를 통일하여 특정 척도로 맞추는 것입니다. MinMaxScaler를 적용하여, 최소는 -1, 최대는 1로 모든 피처들을 크기를 변환하면 집넓이가 100평이 최대,  0평이 최소라고 한다면 100평은 1, 10평은 -1, 50평은 0으로 변환합니다. 마찬가지로 지하철역 거리가 1000m가 최대, 100m가 최소라면 0m는 1, 100m는 -1, 500m는 0과 같이 변환됩니다. 

이렇게 변환하면 모든 피처들이 다 동일 척도값이 -1 ~ 1사이 값으로 변환됩니다. 

1. 질문을 정확히 이해하지 못했습니다만, 기존 feature들을 MinMaxScale 적용했으면 신규로 적용하는 feature들도 반드시 MinMaxScale을 적용해 줘야 합니다. 

원하시는 답변이 아니면 다시 질문을 정리 부탁드립니다. 

2. 타겟값은 스케일링을 할 필요가 없습니다. 타겟값은 딱 한개의 변수로만 되어 있기 때문입니다. 여러개의 피처들로 되어 있는 피처 구성과는 다릅니다. 

3. 딥러닝이 좀 스케일링에 예민합니다. 

4. 스케일링 없이 적용해 볼수는 있지만 일반적으로 스케일링을 적용하는 것이 좋습니다. 

5. MinMaxScaler를 적용하든, StandardScaler(평균이 0, 표준편차가 1인 데이터로 변환)를 적용하든, 개별 피처들을 동일 척도로 변환하는 스케일링만 적용해 주면 됩니다. 

감사합니다.