작성일자 : 2023-08-21
Ver 0.1.1
1. 데이터 정제
1-1. 결측값(Null)
- 종류
| 결측 유형 | 설명 | ||||
|---|---|---|---|---|---|
| 완전 무작위 결측 (Missing Completely At Random) |
난수처럼 경향성 없이 완전 무작위로 결측값 발생 | 무작위 결측 (Missing At Random) |
경향성을 띄고 있으면서 무작위로 결측값 발생 | 비 무작위 결측 (Missing Not At Random) |
경향성을 띄고 있는 결측값 발생 |
- 처리 방법 (제거? or 대체?)
- 완전 분석법(Completes Analysis)
- 결측값이 존재하는 행 단순 삭제
- 삭제 되는 행이 많아지면 데이터 분석에 문제가 생김(데이터 수집 단계에서 문제가 있는 것)
- 평균(중앙값) 대체볍(Mean Imputation)
- 무작위 결측이 전제
- 평균(중앙값)으로 결측값을 대체 (데이터가 많을 시에는 대세에 영향이 없음)
- 단순 확률 대체법(Single Stochastic Imputation)
- 특정 집단에 대해서 결측값을 평균 값 등으로 대체
- Ex) 남자 평균, 여자 평균
1-2. 이상값(Outlier)
이상값 몇 개가 결과를 크게 왜곡시킬 수 있다.
- 이상값(Outlier) 진단방법
- 사분위수를 기준으로 상자도표(box plot) 확인
- 사분위수 범위(Interquartile Range, IRQ)(제 1사분위 ~ 제 3사분위) * 1.5 한 값보다 작거나 크면 이상치로 판단
- EX) 제 1사분위수 : 4, 제 3사분위수 : 20 일때, IRQ : 20 - 4 = 16
- 16 * 1.5 = 24
- 이상값 : -20 보다 작거나 (4 - 24), 44(20 + 24)보다 큰값
- 정규분포에서 크게 벗아난 데이터 확인
- 분산(variance) 기준으로 정규분포 97.5%, 약 표준편차 2.5배 값
- 우도(likelihood) 기준 우도값 범위 밖의 데이터
- 데이터 간의 거리 계산으로 이상치 확인
- 군집(clustering)
- 밀도(density)
- 이웃법(nearest neighbor)
- 사분위수를 기준으로 상자도표(box plot) 확인
- 이상값(Outlier) 처리방법
- 제거
- 대체 : 보통은 최댓값으로 대체
- 변환
- 단위 값이 클 때(멀리 퍼져있는 값 분포를 모을 때) 사용 Ex) 로그 변환, 제곱근
- 전체 데이터에 영향을 주므로 의미가 있는지 유무를 판단해야할 필요 있음
작성일자 : 2023-08-21
2. 변수선택
Ver 0.1.1
2-1. 변수선택(Variable Selection)
- 필터 방법(Filter method)
- 변수 하나씩 레이블(종속변수)와 관련이 있는가 확인 (상관분석)
- Ex) 가족력 여부, 음주량, 흡연량, 운동량, 식단 등등 각 변수별로 암발생과 관련이 있는가?
- 래퍼 방법(Wrapper method)
- 모든 변수 중 유의한 영향 변수를 통계적 방법(t-test, F-test)으로 확인 (회귀분석)
- 전진(Forward) 방법 : 변수를 모델에 넣으면서 유의한지 확인
- 후진(Backward) 방법 : 변수를 모델에서 빼면서 유의한지 확인
- 단계선택법(Stepwise) : 전진과 후진을 반복한 방법 - Ex) 암발생을 예측하는 좋은 변수 1순위 : 가족력 여부 / 2순위 : 음주량 / 3순위 : 흡연량 / 4순위 : 스트레스 지수
- 임베디드 방법(Embedded method)
- 변수의 가중치(계수)를 매우 작게, 의미없는 변수의 가중치는 0으로 설정
- 라소(Lasso)
- 릿지(Ridge)
- 엘리스틱넷(Elastic Net)
작성일자 : 2023-08-21
3. 차원축소
Ver 0.1.1
3-1. 차원축소
- 여러 변수들의 개수를 줄이는 방법. 차원은 변수를 의미함
- 차원축소는 직접 예측 혹은 분류의 목적에 활용되지는 않기 때문에 비지도 학습법. 다만 축소된 차원(변수)는 추후 예측이나 분류의 특성변수로 활용되기도 함
- 분석 전 변수 탐색의 목적이나 2차원 시각화의 목적으로 주로 활용
- 변수를 축양한 것이 더 좋은 예측/분류 결과를 가져오기도 함
3-2. 종류
- 주성분 분석(Pricipal Component Analysis, PCA)
- 원래 데이터 특징을 잘 설명해주는 성분을 추출하기 위하여 고차원 공간의 표본들을 선형 연관성이 없는 저차원 공간으로 변환하는 기법
- 성분 1을 기준으로 분석 -> 90도(의미: 상관계수가 0) 회전 후 분석
- 요인 분석(Factor Analysis)
- 원래 데이터 특징을 잘 설명해주는 성분을 추출하기 위하여 고차원 공간의 표본들을 선형 연관성이 없는 저차원 공간으로 변환하는 기법
- 사각회전 : 주성분 분석이 90도를 기준으로 분석한다면 사각회전을 통해 90도가 아닌 N도를 기준으로 분석(보다 더 현실적인 분석)
- 독립성 분석(Independent Component Analysis, ICA)
- 다변량의 신호를 통계적으로 독립적인 하부성분으로 분리하여 차원을 축소하는 기법
- 다차원 척도법(Multi-Dimensional Scaling)
- 개체들 사이의 유사성, 거리를 측정하여 2차원 또는 3차원 공간상에 점으로 표현하여 개체들 사이의 집단화를 시각적으로 표현하는 방법
- t-SNE(T-distributed stochastic neighbor embedding)
- t-SNE는 데이터에서 지역 인접성(local neighborhoods)을 보존하려고 시도하는 차원축소 알고리즘. 2차원 또는 3차원으로 표현할 때 이용하며 차원을 줄이면서 다른 방법이 놓칠 수 있는 구조 파악에 활용
- 특이값 분해(Singular Value Decomposition)
- M x N 차원의 행렬 데이터에서 특이값을 추출하고 이를 통해 주어진 데이터 세트를 효과적으로 축약할 수 있는 기법
- 상관계수를 활용
3-3. 장점과 활용
- 장점
- 데이터 양이 줄어 분석시간이 줄어들고 저장변수가 감소되어 분석 작업에 유리
- 변수들 간의 상관을 우선 고려하여 차원을 축소하여 학습모델이 간단해지고 안정적인 결과 도출
- 활용
- 탐색적 데이터 분석(EDA)의 목적으로 변수 혹은 케이스들 간의 상관을 시각적으로 도출 및 표현
- 분석 모델에서 투입되는 다양한 변수들 중 변수 추출
- 다차원 공간의 정보를 저차원으로 변환
- 데이터 내 중요 변수 혹은 잠재된 새로운 요인 발견
작성일자 : 2023-08-21
4. 파생변수
Ver 0.1.1
4-1. 파생변수
- 파생변수는 기존 변수들을 이용해서 의미 있는 새롭게 만들어진 변수
- 파생변수가 더욱 좋은 분석 결과를 도출할 수 있음
- 분석경험, 데이터에 대한 이해 등 고수준의 지식과 경험이 요구됨
Ex) 단위 변환 : mile -> km 표현 방식 변환 : 주민등록번호 -> 나이, 성별 생성 요약 통계량 변환
- 통신사 통화데이터 -> 특정지역의 시간별 유동인구 수 변수 결홥
- 국어, 문학, 수학, 과학 -> 언어능력, 수리능력 축약
기존
| 주민번호 | 가족수 | 연소득 | 대출 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| 880818-1** | 1 | 4,200 | 0 | 661112-1** | 3 | 7,800 | 30,000 | 740222-2** | 4 | 5,600 | 20,000 |
파생변수 생성
| 성별 | 연령 | 연소득/1인 | 대출여부 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 34 | 4,200 | 0 | 1 | 56 | 2,600 | 1 | 2 | 48 | 1,400 | 1 |
작성일자 : 2023-08-21
5. 변수 변환
Ver 0.1.1
5-1. 변수변환 및 방법
- 분석에 더욱 적합하도록 기존의 변수를 새로운 기준으로 변환하는 방법
- 모든 분석에 기본이며, 머신러닝에서는 필수과정
| 방법 | 설명 및 예시 | ||||||
|---|---|---|---|---|---|---|---|
| 구간화 (비닝:binning) |
연령 -> 연령대 | 단위변환 | 연봉 -> log(연봉) | 정규화 (normalization) |
서로 다른 단위의 독립변수 -> 정규화로 통일 |
더미변수화 (Dummy,One-hot-encoding) |
거주지(서울:1, 경기:2, 지방:3) 변수 -> 서울(0,1),경기(0,1),지방(0,1) 3개 변수로 나누어 구성 |
기존
| 성별 | 연령 | 연소득 | 생활비 | ||||
|---|---|---|---|---|---|---|---|
| 1 | 34 | 4,200 | 120 | 2 | 40 | 5,600 | 480 |
파생변수 생성
| 구간화(연령대) | 단위변환 (log(소득)) |
더미변환 (성별:남) |
정규화 (연령) |
정규화 (소득) |
|||||
|---|---|---|---|---|---|---|---|---|---|
| 30대 | 3.6232 | 1 | 0.200 | 0.220 | 40대 | 3.7482 | 0 | 0.600 | 0.360 |
5-2. 정규화
- 머신러닝 분석에 투입되는 특성변수들 간의 단위를 동일하게 조정하기 위한 과정
- 데이터 스케일링(Scaling)이라고도 함
- Min-Max Scaling (분포 가능한 구간 0~1)
- 가장 대표적인 머신러닝/딥러닝의 스케일링 방법
- 각 변수특성의 값과 최소값의 차이를 (최대-최소)로 나눔
- 이 경우 모든 값은 0 이상의 양(+)의 값을 가짐
- 이상치에 영향이 있음
- $Zi = \frac{Xi - Xmin}{Xmax - Xmin}$
- Standardization
- 표준화는 각 수치와 평균의 차이를 표준편차로 나눈 값
- 평균이 0, 표준편차가 1이 되는 통계적인 자료 표준화의 대표적인 값
- 일반적인 범위 이상인 매우 큰 음의 값이나 매우 큰 양의 값이 될 수도 있음
- $Zi = \frac{Xi - \overline{X}}{\sigma_x}$
5-3. 원핫인코딩(One-Hot-Encoding)
- 범주형 특성변수를 0,1로 변경한 변수. 더미변수(Dummy Variable)
- 범주특성 집단수만큼 생성됨
- 1의 의미는 각 하위집단에 해당되는가(1), 아닌가(0)임
작성일자 : 2023-08-21
6. 불균형 데이터
Ver 0.1.1
6-1. 불균형 데이터 처리
- 범주형 종속변수의 비율에 지나친 차이가 있는 데이터
- Question : 정상 9,500명, 환자 500명 (95% : 5%)로 환자(질환)을 제대로 예측할 수 있을까?
- 과소표집(Under Sampling) or 과대표집(Over Sampling)
- 과소표집
-
- Random Under Sampling
- Tome Link Method : 분류선의 경계 근처에 있는(애매한) 샘플은 빼고 진행
- CNN(Condensed Nearest Neighbor)
- OSS(One Sided Selection)
-
- 과대표집
-
- Random Over-Sampling
- SMOTE(Synthetic Minority Over-sampling TEchnique)
- Borderline-SMOTE(Condensed Nearest Neighbor)
- ADASYN(ADAptive SYNthetic)
-
