전처리와 데이터 분할

Question

선생님, 안녕하세요.

스케일링 파트를 보다가 의문점이 생겨서 문의 드렸습니다.

가능하다면 전체 데이터의 스케일링 변환을 적용한 뒤 학습/테스트 데이터로 분리 하라고 하셨는데 스케일링 등과 같은 전처리 과정에서 train&test data를 분할하기전에 전체 데이터에 대해서 Preprocessing 인스턴스를 갖고 fit&transform을 할 경우에 test data를 치팅한 효과, data leakage를 발생할 수 있다고 생각해서 데이터 분할 후 전처리를 하는게 맞다고 생각하는데..

학습/테스트 데이터 분할 후 전처리를 해야하나요 아니면 전체 데이터로 전처리 후 분할을 해야하나요?

Answer

안녕하십니까,

정석대로 하자면 train 데이터로 fit된 Scaler 객체를 이용해서 test 데이터를 transform해주는 게 맞습니다.

제가 가능하면 전체 데이터로 scaling을 권유하는 이유는 학습 데이터에 fit/transform()을 적용후에 무의식적으로(?) 테스트 데이터에 다시 fit/transform() 적용해 버리기 쉽기 때문입니다. 개념적으로 train 데이터에 fit된 Scaler를 이용해서 test 데이터를 transform()하는 것에 대해서 잘 이해하지 못한다던가 반사적으로 test데이터에 scaling을 적용하는 경우가 있어서 그렇습니다.

그리고 일반적으로 회사내 데이터를 기반으로 할 때 train과 test 데이터 전체에 scaling을 미리 적용했다고 data leakage로 까지 간주하지 않습니다. 물론 test데이터가 실시간으로 생성되는 거라면 당연히 test 데이터는 train 데이터로 fit된 Scaler 객체를 이용해서 test 데이터를 transform 해줘야 합니다.

감사합니다.

동규김

전처리와 데이터 분할

이 글과 비슷한 Q&A

파이참으로 하면 결과값이 다른데 왜그런거죠?

linear regression 과 PCA, p_value 질문

group by agg function failed 에러

04-13) slugify가 작동하지 않습니다