목록원핫인코딩 (2)

세조목

머신러닝 심화 복습(결측치, 인코딩&스케일링)(24.05.07)

결측치표준편차가 크다 = 평균에서 벗어난 값들이 많다 so 표준편차가 크다면 결측치를 평균값으로 대체하기보단 중앙값으로 대체하는게 낫다. ※ 범주형 데이터의 경우 최빈값으로 대체 표준편차가 큰지는 어떻게 알 수 있지?? → 평균값과 비교 - 평균값보다 표준편차가 크다면 데이터들이 평균값에서 많이 벗어나 있다는 의미임 결측치 확인.notna() → 결측치 없는 데이터만 확인 가능 .isna() → 결측치인 데이터만 확인 가능 결측치 처리from sklearn.impute import SimpleImputer si = SimpleImputer() si.fit(titanic_df[['Age']]) titanic_df['Age_si_mean'] = si.transform(titanic_df[['Age']]) #..
데이터 분석 공부/머신러닝 2024. 5. 7. 13:12
머신러닝 - 전처리(인코딩, 스케일링)(24.02.01)

전처리(인코딩 & 스케일링) 인코딩이란 모델이 처리하기 쉬운 값으로 기존 값을 바꾸는 것을 의미한다. 범주형 데이터(Encoding) 레이블 인코딩(Label Encoding) One-Hot Encoding 수치형 데이터(Scaling) 표준화(Standardization) 정규화(Normalization) 로버스트 스케일링(Robus Scaling) 범주형 데이터(Encoding) 레이블 인코딩(Lable Encoding) One-Hot Encoding 1. 레이블 인코딩(Label Encoding) 먼저 레이블 인코딩이다. 레이블 인코딩은 간단하게 기존값을 '수치형'으로 변환시켜줘서 모델이 처리하기 쉽게 만들 수 있다. 다만 변경된 값의 순서간 크기에 의미가 부여되어 모델이 잘못 해석할 여지가 있다는..
데이터 분석 공부/머신러닝 2024. 2. 1. 21:01
이전 Prev 1 Next 다음