머신러닝 적용을 위한 Feature Engineering 강의 질문입니다

안녕하세요. 답변 도우미입니다.

척도의 의미 에 대해서는 다음과 같은 사항을 참고할 수 있을 것 같은데요.

1. 일관성: Feature engineering을 할 때 중요한 것은 일관성입니다. 즉, 같은 feature 내에서 1이 항상 '좋다'나 '나쁘다'와 같은 특정 의미를 갖도록 하는 것이 좋습니다. 그렇게 함으로써 모델이 학습하는 데 혼란이 생기지 않습니다.

2. 역코딩 (Reverse Coding): 설문조사에서의 역코딩은 응답자의 답변의 방향성을 통일시키기 위한 것입니다. 머신러닝에서도 특정 feature의 척도나 방향성을 바꾸는 것이 모델의 성능을 향상시키거나 해석을 용이하게 할 수 있습니다. 그러나 이러한 변환은 항상 필요한 것은 아닙니다.

3. 모델 해석성: 만약 모델의 결과를 해석하거나 시각화하는 것이 중요하다면, feature의 척도나 방향성을 통일하는 것이 유용할 수 있습니다. 이렇게 함으로써 모델의 해석이 더 직관적이고 쉬워질 수 있습니다.

4. 머신러닝 모델의 관점: 대부분의 머신러닝 모델은 feature의 절대적인 값보다는 feature 간의 상대적인 관계나 패턴에 민감하게 반응합니다. 따라서 척도나 방향성이 달라도 모델이 잘 학습할 수 있습니다. 그러나 일부 모델, 예를 들어 선형 회귀나 로지스틱 회귀에서는 feature의 스케일이 모델의 계수 해석에 영향을 줄 수 있으므로 주의가 필요합니다.

결론적으로는 feature engineering을 할 때 척도의 의미가 컬럼별로 달라도 모델의 성능 자체에 큰 영향을 주지는 않습니다. 그러나 모델의 해석이나 시각화, 그리고 다른 feature와의 관계를 파악하는 데 있어서는 일관된 척도나 방향성을 갖는 것이 좋습니다.

감사합니다.