머신러닝 심화 : EDA

20240814 TIL

1. 예측모델링 프로세스

 

(1) 데이터 수집

• 데이터 분석가는 이미 존재하는 데이터를 SQL 혹은 Python으로 추출하고 리포팅 혹은 머신러닝을 통한 예측을 담당

1. Data Source
   • OLTP Database: OnLine Transaction Processing 은 온라인 뱅킹,쇼핑, 주문 입력 등 동시에 발생하는 다수의 트랜잭션(데이터베이스 작업의 단위) 처리 유형
   • Enterprise Applications: 회사 내 데이터 (ex 고객 관계 데이터, 제품 마케팅 세일즈)
   • Third - Party: Google Analytics와 같은 외부소스에서 수집되는 데이터
   • Web/Log: 사용자의 로그데이터
2. Data Lake: 원시 형태의 다양한 유형의 데이터를 저장
3. Data Warehouse: 보다 구조화된 형태로 정제된 데이터를 저장
4. Data Marts: 회사의 금융, 마케팅, 영업 부서와 같이 특정 조직의 목적을 위해 가공된 데이터
5. BI/Analytics: business Intelligence(BI)는 의사결정에 사용될 데이터를 수집하고 분석하는 프로세스

(2) 탐색적 데이터 분석(EDA)

• 탐색적 데이터 분석은 데이터의 시각화, 기술통계 등의 방법을 통해 데이터를 이해하고 탐구하는 과정
• 데이터 분석에선느 반드시 필요한 과정

 

(3) 이상치(Outlier)

• 보통 관측된 데이터 범위에서 많이 벗어난 아주 작은 값 혹은 큰 값

ESD(Extreme Studentized Deviation) 이용한 이상치 발견

• 데이터가 정규분포를 따른다고 가정할 때, 평균에서 표준편차의 3배 이상 떨어진 값
• 데이터가 크게 비대칭이거나 샘플 크기가 작을 경우 제한

IQR(Inter Quantile Range)를 이용한 이상치 발견

• ESD와 동일하게 데이터가 비대칭적이거나 샘플사이즈가 작은 경우 제한
• Box plot : 데이터의 사분위 수를 포함하여 분포를 보여주는 시각화 그래프 // 사분위 수: 데이터를 순서에 따라 4등분 한 것

이상치는 사실 주관적인 값, 데이터를 삭제 할지 말지는 분석가가 결정할 몫!

--> 데이터 삭제 시 품질은 좋아질 수 있지만 정보 손실을 동반하기 때문에 이상치 처리에 주의

box plot

결측치(Missing Value)

• 존재하지 않는 데이터 // 이상치는 분포에 크게 어긋나는 데이터

결측치 처리 방법

-수치형 데이터

• 평균 값 대치: 대표적인 대치 방법
• 중앙값 대치: 데이터에 이상치가 많아 평균 값이 대표성이 없다면 중앙 값을 이용

 

-범주형 데이터

• 최빈값 대치

 

-사용함수:

• 간단한 삭제 & 대치
  • df.dropna(axis = 0): 행 삭제
  • df.dropna(axis = 1): 열 삭제
  • Boolean Indexing
  • df.fillna(value): 특정 값으로 대치(평균, 중앙, 최빈값)
• 알고리즘을 이용
  • sklearn.impute.SimpleImputer:평균, 중앙, 최빈값으로 대치
    • SimpleImputer.statistics_ : 대치한 값 확인 가능
  • sklearn.impute.IterativeImputer: 다변량대치(회귀 대치)
  • sklearn.impute.KNNImputer: KNN 알고리즘을 이용한 대치

범주형 데이터 전처리 - 인코딩(Encoding)

• 어떤 정보를 정해진 규칙에 따라 변환하는 것

-레이블 인코딩 : 문자열 범주형 값을 고유한 숫자로 할당

• 장점: 모델이 처리하기 쉬운 수치형으로 데이터 변환
• 단점: 실제로는 그렇지 않은데, 순서 가 크기에 의미가 부여되어 모델이 잘못 해석 할 수 있음

-원-핫 인코딩(One-Hot Encoding): 각 범주를 이진 형식으로 변환하는 기법

• 장점: 각 범주가 독립적으로 표현되어 순서가 중요도를 잘못 학습하는 것을 방지, 명목형 데이터에 권장
• 단점: 범주 개수가 많을 경우 차원이 크게 증가(차원의 저주), 모델의 복잡도를 증가, 과적합 유발

수치형 데이터 전처리 - 스케일링

-표준화 : 각 데이터에 평균을 빼고 표준편차로 나누어 평균을 0 표준편차를 1로 조정하는 방법

• 함수: sklearn.preprocessing.StandardScaler
• 장점: 이상치가 있거나 분포가 치우쳐져 있을때 유용, 모든 특성의 스케일 동일 맞춤, 많은 알고리즘에서 좋은 성능
• 단점: 데이터의 최소-최대 값이 정해지지 않음

-정규화 : 데이터를 0과 1사이 값으로 조정(최솟값 0, 최대값 1)

• 함수: sklearn.preprocessing.MinMaxScaler (표준화와 공통인 것은 제외)
• 장점: 모든 특성의 스케일을 동일하게 맞춤, 최대-최소 범위 명확
• 단점: 이상치에 영향 많이 받을 수 있음(이상치가 없을 때 유용)

-로버드 스케일링 : 중앙값과 IQR을 사용하여 스케일링

• 함수: sklearn.preprocessing.RobustScaler
• 장점: 이상치의 영향에 덜 민감
• 단점: 표준화와 정규화에 비해 덜 사용

 

데이터 분리

 

회귀와 분류의 과적합 예시

• 예측 혹은 분류를 하기 위해서 모형을 복잡도를 설정
  • 모형이 지나치게 복잡할 때 : 과대 적합이 될 수 있음
  • 모형이 지나치게 단순할 때: 과소 적합이 될 수 있음
• 과적합의 원인
  • 모델의 복잡도(상기의 예시)
  • 데이터 양이 충분하지 않음
  • 학습 반복이 많음(딥러닝의 경우)
  • 데이터 불균형(정상환자 - 암환자의 비율이 95: 5)

교차검증과 GridSearch

교차검증: 데이터 셋을 여러 개의 하위 집합으로 나누어 돌아가면서 검증 데이터로 사용하는 방법 

 

K-Fold Validation : 데이터를 K개의 하위 집합으로 나누어 모델을 학습시키고 모델을 최적화 하는 방법

특징: 데이터가 부족할 경우 유용(반복 학습)

 

GridSearchV

하이퍼 파라미터 - 모델을 구성하는 입력 값 중 사람이 임의적으로 바꿀 수 있는 입력 값

이를 자동화 해주는 것이 GridSearch

 

2. 데이터 분석 프로세스 정리

 

 

<실습>

EDA실습.ipynb

0.41MB