특성 공학과 선택
모델의 예측력을 높이는 기법을 알아봅니다.
특성 공학과 선택은(는) CoddyKit의 무료 Python For Kids 강의입니다. 이것은 6개 중 4번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Python For Kids 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Python For Kids 강의에는 총 6개의 강의가 포함되어 있습니다.
특성 공학 및 선택
특성 공학과 특성 선택은 효과적인 머신러닝 모델을 구축하는 데 중요한 단계입니다. 이 과정에서는 모델 성능을 향상하기 위해 새로운 특성을 만들고 가장 관련성이 높은 특성을 선택합니다.
이 레슨에서는 예측 정확도를 높이기 위한 특성 공학 및 선택 기법을 배웁니다.
특성 공학이란 무엇인가요?
특성 공학은 머신러닝 모델의 효율을 높이기 위해 원시 데이터에서 새로운 특성을 만드는 과정입니다. 예를 들면 다음과 같습니다:
- 타임스탬프에서 일, 월, 시간과 같은 시간 기반 특성을 추출합니다.
- 여러 특성을 하나의 새로운 특성으로 결합합니다.
- 수치형 특성의 범위를 표준화하도록 크기를 조정합니다.
새로운 특성 만들기
기존 데이터를 바탕으로 새로운 특성을 만들어 보겠습니다:
# Example: Creating new features
import pandas as pd
data = {'Timestamp': ['2025-01-01 12:00:00', '2025-01-02 15:30:00']}
df = pd.DataFrame(data)
df['Hour'] = pd.to_datetime(df['Timestamp']).dt.hour
df['Day'] = pd.to_datetime(df['Timestamp']).dt.day
print(df)특성 크기 조정
크기 조정을 수행하면 모든 수치형 특성이 동일한 척도로 정렬되어 모델 성능이 향상됩니다:
# Example: Scaling features
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
values = [[10], [20], [30]]
scaled_values = scaler.fit_transform(values)
print(scaled_values)특성 선택
특성 선택은 모델에 가장 적합한 특성을 고르는 작업입니다. 일반적인 기법은 다음과 같습니다.
- 필터 방법: 상관관계와 같은 통계적 측정값을 기준으로 특성을 선택합니다.
- 래퍼 방법: Recursive Feature Elimination(RFE)과 같은 알고리즘을 사용합니다.
- 임베디드 방법: 모델을 학습하는 동안 특성을 선택합니다. 예를 들어 Lasso 회귀가 있습니다.
상관관계 기반 특성 선택
상관관계가 높은 특성은 중복될 수 있습니다. 판다스를 사용하여 상관관계를 계산합니다:
# Example: Correlation-based feature selection
import pandas as pd
data = {'Feature1': [1, 2, 3], 'Feature2': [2, 4, 6], 'Feature3': [1, 1, 1]}
df = pd.DataFrame(data)
print(df.corr())재귀적 특성 제거(RFE)
RFE는 중요도가 가장 낮은 특성을 반복적으로 제거하는 래퍼 방식입니다.
# Example: RFE
from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
y = [0, 1, 0]
model = LogisticRegression()
rfe = RFE(model, n_features_to_select=2)
rfe.fit(X, y)
print("Selected Features:", rfe.support_)트리 기반 모델을 사용한 특성 중요도
Random Forest와 같은 트리 기반 모델은 특성 중요도 점수를 제공합니다.
# Example: Feature importance
from sklearn.ensemble import RandomForestClassifier
X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
y = [0, 1, 0]
model = RandomForestClassifier()
model.fit(X, y)
print("Feature Importances:", model.feature_importances_)특성 공학에서 흔히 하는 실수
다음과 같은 실수를 피해야 합니다:
- 특성을 너무 많이 만들어 과적합을 유발하는 것
- 거리 기반 알고리즘에서 크기 조정이 필요하다는 점을 무시하는 것
- 상관관계가 높은 특성을 사용하여 중복을 발생시키는 것
무엇을 배웠나요?
이 레슨에서는 다음 내용을 배웠습니다:
- 머신러닝에서 특성 공학과 선택의 중요성
- 새로운 특성을 만들고 수치형 특성의 크기를 조정하는 기법
- RFE 및 트리 기반 모델과 같은 방법으로 관련 특성을 선택하는 방법
- 특성 공학 중 피해야 할 흔한 실수
잘하셨습니다! 다음 주제로 넘어가겠습니다.
자주 묻는 질문
“특성 공학과 선택” 강의는 무료인가요?
네 — “특성 공학과 선택” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Python For Kids 강의 전체를 잠금 해제할 수 있습니다. Python For Kids 강의에는 총 6개의 강의가 포함되어 있습니다.
“특성 공학과 선택”에서 뭘 배우나요?
모델의 예측력을 높이는 기법을 알아봅니다. 브라우저에서 직접 실행하는 실습 코드로 Python For Kids을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
Python For Kids을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 Python For Kids은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 6개 중 4번째 강의입니다.
“특성 공학과 선택” 강의는 얼마나 걸리나요?
대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.
이 Python For Kids 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 Python For Kids 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.