[머신러닝] 더미 변수(Dummy Variable) 원핫 인코딩(One-Hot Encoding)

더미 변수(Dummy Variable), 또는 원핫 인코딩(One-Hot Encoding)은 범주형 변수를 컴퓨터가 처리할 수 있는 형태로 변환하는 방법 중 하나입니다.

​

더미 변수는 범주형 변수의 각 범주(category)를 이진 변수로 변환하는 것을 의미합니다. 예를 들어, 성별 변수가 "남성"과 "여성"으로 구분되는 경우, 이를 더미 변수로 변환하면 "남성"을 나타내는 변수와 "여성"을 나타내는 변수로 나눌 수 있습니다. "남성"을 나타내는 변수는 해당하는 경우 1의 값을 가지고, "여성"을 나타내는 변수는 해당하는 경우 1의 값을 가지며, 나머지 경우에는 0의 값을 가집니다.

​

더미 변수는 컴퓨터가 이해할 수 있는 형태인 숫자로 변환된 범주형 데이터를 나타냅니다. 이를 통해 머신러닝 알고리즘에 범주형 변수를 적용할 수 있습니다. 더미 변수로 변환된 범주형 변수는 각각 독립적인 특성으로 간주되어 모델에 포함됩니다.

​

더미 변수를 사용하는 이유는 컴퓨터가 범주형 변수를 이해하기 쉽도록 하기 위해서입니다. 머신러닝 알고리즘은 수치형 데이터를 처리하는 데 더 효율적이며, 더미 변수를 사용하면 범주형 변수의 순서나 관계를 고려하지 않고도 데이터를 처리할 수 있습니다.

​

더미 변수는 범주형 변수를 처리하는 많은 머신러닝 알고리즘에서 필수적인 전처리 단계입니다. 이를 통해 범주형 데이터가 머신러닝 모델에 적용되어 정확한 예측을 수행할 수 있게 됩니다.

​

원핫 인코딩을 수행하는 방법은 프로그래밍 언어에 따라 다를 수 있습니다. 여기에는 Python을 사용한 예시 코드가 있습니다.

import pandas as pd

# 범주형 변수가 담긴 데이터프레임 생성
df = pd.DataFrame({'color': ['Red', 'Blue', 'Green', 'Red', 'Green']})

# 원핫 인코딩 수행
one_hot_encoded = pd.get_dummies(df['color'])

# 결과 출력
print(one_hot_encoded)

위의 코드에서는 Pandas 라이브러리의 `get_dummies` 함수를 사용하여 원핫 인코딩을 수행합니다. `get_dummies` 함수는 범주형 변수를 원핫 인코딩된 형태로 변환해주는 기능을 제공합니다. 위의 예시에서는 'color'라는 열을 원핫 인코딩하였습니다.

​

실행 결과는 다음과 같이 나타납니다:

각각의 범주에 대해 새로운 열이 생성되고, 해당하는 범주에 속하는 경우 1의 값을 갖습니다. 따라서 'Red' 범주에 해당하는 값은 [0, 0, 1, 0, 1]로 표현되고, 'Blue' 범주는 [1, 0, 0, 0, 0], 'Green' 범주는 [0, 1, 0, 0, 1]로 표현됩니다.

​

이렇게 생성된 원핫 인코딩된 데이터는 머신러닝 모델에 적용할 수 있습니다.

---

더미 변수는 특정 값을 가진 범주형 변수를 설명하기 위해 사용하는 변수입니다. 예를 들어, 성별 변수가 있는 경우 남성과 여성의 두 가지 더미 변수를 만들 수 있습니다. 더미 변수는 종종 회귀 분석 및 분류와 같은 기계 학습 기술에서 사용됩니다. 그들은 모델이 범주형 변수를 처리할 수 있도록 하여 종속 변수에 대한 예측을 할 수 있도록 합니다.

더미 변수는 다음과 같이 계산됩니다.

​

​

여기서 i는 범주형 변수의 범주이고 j는 참조 범주입니다. 참조 범주는 모델에서 기본 범주로 간주되며 해당 더미 변수의 값은 0입니다. 다른 모든 범주에 대한 더미 변수의 값은 1입니다.

​

예를 들어, 성별 변수가 있는 경우 참조 범주는 남성이 될 수 있습니다. 남성에 대한 더미 변수의 값은 0이고 여성에 대한 더미 변수의 값은 1입니다.

​

더미 변수는 다음과 같은 여러 기계 학습 기술에서 사용됩니다.

​

• 회귀 분석: 회귀 분석은 종속 변수와 한 개 이상의 독립 변수 간의 관계를 모델링하는 데 사용되는 기계 학습 기술입니다. 더미 변수는 종속 변수가 범주형 변수인 회귀 분석에서 사용됩니다.
• 분류: 분류는 데이터 포인트를 서로 다른 범주로 분류하는 데 사용되는 기계 학습 기술입니다. 더미 변수는 데이터 포인트가 범주형 변수에 속하는지 여부를 분류하는 데 사용됩니다.
• 로지스틱 회귀: 로지스틱 회귀는 종속 변수가 이진 변수인 회귀 분석의 한 유형입니다. 더미 변수는 종속 변수가 범주형 변수인 로지스틱 회귀에서 사용됩니다.

​

import numpy as np

# 범주형 변수
categories = ["apple", "banana", "orange"]

# 원핫 인코딩
one_hot_encodings = np.zeros((len(categories), len(categories)))

for i, category in enumerate(categories):
  one_hot_encodings[i, categories.index(category)] = 1

print(one_hot_encodings)

보시다시피 각 원핫 인코딩은 0과 1의 배열입니다. 배열의 첫 번째 요소는 범주가 apple인지 여부를 나타내고, 두 번째 요소는 범주가 banana인지 여부를 나타내고, 세 번째 요소는 범주가 orange인지 여부를 나타냅니다.