소비자 데이터 기반 소비 예측 AI 해커톤

안녕하세요 분데데분님! Age 컬럼을 생성할때 2022에서 빼든, Dt_Customer'year에서 빼든 여기서는 Tree 모델을 사용하고 있기 때문에 상관없다고 생각합니다. 

예를 들어 2022를 사용할 경우 Age의 범위가 20~80이라고 가정하고, Dt_Customer'year을 2014로 통일해 사용할 경우 Age의 범위가 8 작은 12~72의 범위가 나오게 될 것입니다. 여기에서 모델이 학습을 했다고 했을때, Tree 기반 모델이기 때문에 같은 조건이 주어진다면 2022를 사용했을때 60이상은 왼쪽 노드, 미만은 오른쪽 노드로 보내는 학습된 노드가 있다고 가정하겠습니다. 이 노드는 Dt_Customer'year를 사용하면 52이상은 왼쪽 노드, 미만은 오른쪽 노드로 보내게 된다고 학습하여 똑같은 결과가 나오게 될 것입니다. 

따라서 Age 변수의 범위 자체가 달라지는게 아니기 때문에 특성의 정규화가 필요없는 Tree 모델에서는(변수의 scale에 영향을 받지 않음) 어느 방법을 사용해도 타당하다고 생각합니다.

맞네요, 트리 기반으로 학습하면 무리가 없군요, 감사합니다!

결론적으로는 쓸모없는 feature의 가짓수를 줄이고 싶어서 저렇게 인코딩했습니다.

married나 together 모두 [결혼]으로 묶일 수 있고, 나머지인 single, divorced, window, alone, yolo, absurd는 모두 [싱글]이라는 카테고리로 묶을 수 있기 때문에 feature의 가짓수를 늘리지 않고도 one-hot encoding으로 표현되어서 두가지로만 인코딩 하였습니다. 표현만 다르고 같은 범주를 나타낸다고 생각했기 때문입니다.

education 부분은 master, 2n cycle은 석사를 나타내는 다른 말들이고, basic이나 graduation은 둘 모두 학사를 지칭하는거 같아서 같은 그룹으로 묶게 되었습니다. 또한 학사->석사->박사는 순서가 있기 때문에 one-hot encoding을 통해 feature의 개수를 늘리는 대신, label encoding으로 진행하게 되었습니다.

친절한 답변 감사합니다!!! :)

Data is money님, 언제나 부족한 제 코드 읽어주셔서 감사합니다!