LEE CHANWOO

📝 Blog 2024 version 1.5.2
🔖 JUN 29, 2024

3 분 소요

키워드🔑
변수, 종속변수, 독립변수, 변수선택, 필터기법, 정보 소득, 카이제곱 검정, 피셔 스코어, 상관계수,
래퍼기법, 전진선택법, 후진제거법, 단계적방법, RFE, SFS, 유전 알고리즘, 단변량 선택, mRMR,
임베디드기법, 라쏘, 릿지, 엘라스틱넷, SelectFromModel

01. 데이터 전처리

2. 분석 변수 처리

1) 변수 선택


(1) 변수 개념

  • 변수(Feature): 데이터 모델에서 예측에 사용되는 입력변수
  • RDBMS에서 속성/열 = 머신러닝에서 변수
  • 변수 유형: 알려진 값 & 예측값
    • 알려진 값: 변수, 속성, 예측변수, 차원, 관측치, 독립변수
    • 예측 값: 라벨, 클래스, 목푯값, 반응, 종속변수


(2) 변수 유형
📌 인과관계에 따라 - 독립변수, 종속변수 / 속성에 따라 - 범주형(명목형, 순서형), 수치형(이산형, 연속형)

  • 인과관계 ⇒ 독립변수 & 종속변수
    • 독립변수: 종속변수에 영향을 주는 변수
      • 종속변수가 특정한 값을 가지게 되는 원인이 된다고 가정함
      • 연구자가 의도적으로 변화시키는 변수
      • 독립변수 = 예측변수, 회귀자, 통제변수, 조작변수, 노출변수, 리스크 팩터, 설명변수, 입력변수
    • 종속변수: 독립변수로부터 영향을 받는 변수
      • 독립변수의 영향을 받아 그 값이 변할 것이라고 가정함
      • 어떻게 변화하는지 연구하는 변수
  • 변수속성: 명목형 / 순서형 / 이산형 / 연속형
    • 명목형: 이름만 의미 부여, 크가와 순서는 상관 없음, 명사형
    • 순서형: 순서에 의미 부여 가능
    • 이산형: 하나하나 셀 수 있음
    • 연속형: 구간 안의 모든 값을 가질 수 있음
  • 변수 간 관계
    • 독립변수, 종속변수 둘 다 연속형, 범주형 자료로 분석 가능
    • 연속형 자료에서 원인은 공변량(Covariate)
    • 범주형 자료에서 원인은 요인(Factor) 이라고 부름


(3) 변수선택(Feature Selection)
📌 독립변수(x)들 중 종속변수(y)에 가장 관련성이 높은 변수만 선정하는 방법

  • 변수 선택 특징
    • 해석하기 쉽도록 모델 단순화
    • 훈련 시간 축소
    • 차원의 저주 방지(차원이 증가할수록, 필요한 샘플 데이터가 기하급수적으로 증가하는 현상)
    • 과적합 줄이고 일반화
    • 모델 정확도, 성능 향상 기대
  • 변수 선택 방식 분류
    • 비지도 방식: 분류를 참고하지 않고 변수들만으로 선택 수행
    • 지도 방식: 분류를 참고하여 변수 선택
  • 필터 기법(Filter Method): 데이터의 통계적 특성으로부터 변수를 선택
    📌 데이터의 통계적 특성으로부터 변수를 선택
    • 절차: 변수 전체집합 → 베스트 하위집합 선택 → 알고리즘 학습 → 성능 평가
    • 특징
      • 통계적 측정 방법으로 변수들의 상관관계를 알아냄
      • 계산 속도 빠름 → 래퍼 기버 사용전, 전처리에 사용함
    • 사례: 정보 소득 / 카이제곱 검정 / 피셔 스코어 / 상관계수
      • 정보 소득(Information Gain): 가장 정보 소득이 높은 속성 선택
      • 카이제곱 검정(Chi-Square Test): 관찰 빈도와 기대 빈도의 차이가 유의한가 검정
      • 피셔 스코어(Fisher Score): 최대 가능성 방정식을 풀기 위한 뉴턴의 방법
      • 상관계수(Correlation Coefficient): 두 변수간 상관관계 정도를 나타낸 계수
  • 래퍼 기법(Wrapper Method)
    📌 변수의 일부만으로 모델링 반복
    • 절차: 변수 전체집합 → (하위 집합 → 알고리즘 학습)을 반복 → 성능 평가
    • 특징
      • 예측 정확도 성능이 가장 좋은 하위 집합을 선택하는 기법
      • 그리디 알고리즘(Greedy Algorithm): 하위 집합을 반복 선택
      • 일반적으로 필터 기법보다 예측 정확도 높음
      • 시간 오래 걸림, 과적합 위험 있음
    • 알고리즘 유형: 전진선택법 / 후진제거법 / 단계적방법(전진+후진)
      • 전진선택법: 빈모델 → 변수 하나씩 추가 (모델을 가장 많이 향상 시키는 변수)
      • 후진제거법: 풀모델 → 변수 하나씩 제거 (모델에 가장 적은 영향을 주는 변수)
    • 기법 상세: RFE / SFS / 유전 알고리즘 / 단변량 선택 / mRMR
      • RFE(Recursive Feature Elimination): SVM 사용 → 재귀적으로 제거
      • SFS(Sequential Feature Selection): 그리디 알고리즘 → 빈 모델에 하나씩 추가
      • 유전 알고리즘(Genetic Algorithm): 자연세계 진화과정에 기초한 전역 최적화 기법(존 홀랜드, 1975)
      • 단변량 선택(Univariate Selection): 각 변수를 개별 검사 → 변수와 반응변수간 관계 강도 결정
      • mRMR(Minimum Redundancy Maximum Relevance): 특성변수의 중복성 최소화하는 기법

💡
노드(Node)란, 컴퓨터 과학에 쓰이는 기초적인 단위이며,
대형 네트워크에선 장치나 데이터 지점(포인트)를 의미한다.
예를 들면 개인용 컴퓨터, 휴대전화, 프린터, 서버 같은 장치들을 말한다.

  • 임베디드 기법(Embedded Method): 모델 자체에 변수 선택이 포함된 기법
    • 절차: 변수 전체집합 → (하위 집합 → 학습 + 평가)를 반복
    • 특징
      • 모델 정확도에 기여하는 변수를 학습
      • 제약조건: 더 적은 계수를 가지는 회귀식을 찾는 방향으로 제어
    • 사례: 라쏘 / 릿지 / 엘라스틱넷 / SelectFromModel
      • 라쏘 (LASSO): 가중치 절댓값 합을 최소화 → L1-norm
      • 릿지 (Lidge): 가중치 제곱 합을 최소화 → L2-norm
      • 엘라스틱넷(Elastic Net): 가중치 절댓값 합, 젭곱 합을 동시에 제약 → 라쏘와 릿지를 선형결합
      • SelectFromModel: 의사결정나무 기반 알고리즘으로 변수 선택

💡
Norm 이란, 벡터의 크기(길이)를 측정하는 방법을 말한다
L1-norm은 벡터 p, q 각 원소간 차이의 절댓값의 합이고, L2-norm은 유클리디안 거리(직선 거리)이다

댓글남기기

참고