머신러닝 | 이상치/ 결측치/ 범주형 데이터 인코딩/ 수치형 데이터 스케일링(+sklearn 모듈)

➡️ 이상치 (Outlier) 처리

• ESD( Extreme Studentized Deviation) : 표준편차의 3배
  • 데이터가 정규분포를 따른다고 가정할 때, 평균에서 표준편차의 3배 이상 떨어진 값
  • 비대칭 이거나 왜곡된 분포에는 부적합

• IQR(Inter Quantile Range) : iqr 의 1.5배
  • IQR은 중앙값(median)을 기준으로 계산되므로 비대칭적인 분포에도 잘 적용

• 기준 선택 
  • 극단적인 이상치가 적고, 정규분포에 가까운 경우: ESD
  • 다수의 이상치가 존재하거나 비대칭적인 분포일 때: IQR
• 이상치 처리 주의사항
  • 이상치 처리는 데이터 분석가의 몫임 → `상황에 맞춰 삭제 or 변환 할수있음`
  • 예컨데, 매출의 상한 이상치가 46이고, 이상치가 46.5 ~47 정도 사이라면 데이터를 날리는 대신 이상치를 상한값으로 처리 할수도 있음
• 코드 구현 

#esd 이상치 확인 
import numpy as np
mean = np.mean(data)
std = np.std(data)
upper_limit = mean + 3*std
lower_limit = mean - 3*std

#iqr 이상치 확인 
Q1 = df['column'].quantile(0.25) 
Q3 = df['column'].qunatile(0.75)
IQR = Q3 - Q1
uppper_limit = Q3 + 1.5*IQR
lower_limit = Q1 - 1.5*IQR

➡️ 결측치(Missing Value) 처리

• 수치형 :
  • 평균값 or 중앙값 대치
• 범주형 :
  • 최빈값 대치
• 삭제 :
  • df.dropna(axis = 0): 행 삭제
  • df.dropna(axis = 1): 열 삭제
  • df.fillna(value): 특정 값으로 대치(평균, 중앙, 최빈값)
• 함수로 대치
  • sklearn.impute.SimpleImputer:평균, 중앙, 최빈값으로 대치
    • SimpleImputer.statistics_ : 대치한 값 확인 가능
    • 코드 구현

• 학습결과 어떤 값을 사용할지 파라미터 옵션으로 지정 가능
  • ex. strategy='median' 등..

#simpleimputer 를 이용한 대치 

from sklearn.impute import SimpleImputer

#모델 생성 
si = SimpleImputer() 

#학습
si.fit(data[['Age']]) #2차원 배열로 받음

#대체값 확인 : 디폴트는 평균 값  
si.statistics_

#학습결과로 파악한 적절한 값을(평균 or 중앙값 등..) 행단위로 채워줌 : transform
data['Age_si_mean'] = si.transform(data[['Age']])

data.info()

• sklearn.impute.IterativeImputer: 다변량대치(회귀 대치)
• sklearn.impute.KNNImputer: KNN 알고리즘을 이용한 대치
  • knn 알고리즘 : 주변값을 통해 예측하는 것

➡️ 범주형 데이터 처리 (encoding)

• 레이블 인코딩 : 범주의 문자열 값을 고유한 숫자로 할당
  • 장점: 모델이 처리하기 쉬운 수치형으로 데이터 변환
  • 단점: 명목형 임에도, 순서형 처럼 인지하여 모델이 잘못 해석 할 수 있음
• 패키지 : `sklearn.preprocessing.LabelEncoder`

• 메소드
  • fit: 데이터 학습
  • transform: 정수형 데이터로 변환
  • fit_transform: fit과 transform을 연결하여 한번에 실행
  • inverse_transform : 인코딩된 데이터를 원래 문자열로 변환

• 속성
  • classes_: 인코더가 학습한 클래스(범주)

#범주형 - 레이블인코딩

from sklearn.preprocessing import LabelEncoder,OneHotEncoder

#모델 생성 
le = LabelEncoder()

#학습 & 정수형으로 저장 (fit & tranform 따로 해줘도 됨)
data['Sex_en'] = le.fit_transform(data[['Sex']])

data.head(3)

• 원-핫 인코딩 : 각 범주를 이진 형식으로 변환하는 기법
  • 예시)
    • 빨강 → [1,0,0]
    • 파랑 → [0,1,0]
  • 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
  • 패키지 & 함수 : `sklearn.preprocessing.OneHotEncoder` & `pd.get_dummies(df)`

• 메소드(LabelEncoder와 동일)
  • categories_: 인코더가 학습한 클래스(범주)
  • get_feature_names_out(): 학습한 클래스 이름(리스트)

#범주형 - 원핫인코딩

from sklearn.preprocessing import LabelEncoder,OneHotEncoder

#모델 생성 
oe = OneHotEncoder()

#학습
oe.fit(data[['Embarked']])

#카테고리 확인 -> 4개 ->컬럼이 4개 생성 됨.  
oe.categories_

#정수형으로 저장  -> 대부분의 값이 0이라 아래 코드 추가하여 추가가공 필요 
oe.transform(data[['Embarked']])

• 정수형으로 저장시 , 대부분의 값이 0 언더 → 추가 가공 진행

#추가 가공 필요 
#변수로 할당 
embarked_csr =oe.transform(data[['Embarked']])

# CSR 데이터 데이터프레임으로 만들기
csr_df = pd.DataFrame(embarked_csr.toarray(), columns = oe.get_feature_names_out())

#데이터 확인 
csr_df.head(3)

#기존 데이터에 컬럼으로 추가하기 (axis = 1) 열 단위 
pd.concat([data,csr_df],axis=1)

➡️ 수치형 데이터 처리 ( Scaling)

• 목표 : 단위 값이 서로 다른 데이터들을 보정
• 표준화(standardization) `z-score`
  • 각 데이터에 평균을 빼고 표준편차를 나누어 → 평균을 0 표준편차를 1로 조정하는 방법
  • 수식 : z-score로 표준화

• 정규화(Normalization)  `MinMaxScaler`
  • 각 데이터를 0과 1사이 값으로 조정(최소값 0, 최대값 1)
  • 수식 : 최소값/최대값-최소값

• 로버스트 스케일링(Robust Scaling) `RobustScaler`
  • 중앙값과 IQR을 사용하여 스케일링.
  • 수식 : 표준화에서 mean 대신 중앙값, 표준편차 대신 iqr 사용

[스케일링법 비교]
 
📌표준화 특징 
장 : 이상치가 있거나 분포가 치우쳐져 있을 때 유용. / 많은 알고리즘에서 좋은 성능을 보임
단: 데이터의 최소-최대 값이 정해지지 않음.

📌 정규화 특징 
장: 모든 특성의 스케일을 동일하게 맞춤 /  최대-최소 범위가 명확
단: 이상치에 영향을 많이 받을 수 있음(반대로 말하면 이상치가 없을 때 유용)
→ 왜? 최대 최소값안에 이상치가 포함되니까 데이터 분포가 매우 불균형/비대칭 할수 있음

📌로버스트 스케일링 특징
장: 이상치의 영향에 덜 민감
단: 표준화와 정규화에 비해 덜 사용됨

• 표준화, 정규화 스케일링 코드 구현

클래스: `sklearn.preprocessing`

함수: `StandardScaler` / `MinMaxScaler`

# Fare 변수: standardScaler (표준화) 스케일링 진행

from sklearn.preprocessing import StandardScaler

#모델 생성 
sd_sc = StandardScaler() 

#학습 및 적용
sd_sc.fit_transform((data[['Fare']]))

#스케일링한 값 컬럼으로 저장(변수 할당 )
data['Fare_sd_sc'] = sd_sc.fit_transform((data[['Fare']]))

sns.histplot(data=data,x='Fare_sd_sc')

# Age_mean 변수: minmaxscaler (정규화)) 스케일링 진행

from sklearn.preprocessing import MinMaxScaler

#모델 생성 
mn_sc = MinMaxScaler() 

#학습 및 적용
mn_sc.fit_transform((data[['Age_mean']]))

#스케일링한 값 컬럼으로 저장(변수 할당 )
data['Age_mean_mn_sc'] = mn_sc.fit_transform((data[['Age_mean']]))

data.head(5)

sns.histplot(data=data,x='Age_mean_mn_sc')