성능 향상을 위한 변수 조합 만들기

개요

"피처 생성과 선택 - 기본을 탄탄히!" 교재는 머신러닝 모델의 성능을 실질적으로 향상시키는 데 필수적인 과정에 초점을 맞춘 교육 과정입니다.

이 교재는 특히 데이터에서 예측하고자 하는 타겟변수와의 연관성을 극대화하기 위한 피처 생성(Feature Generation)과 모델의 복잡성을 줄이며 중요한 정보만을 추려내는 피처 선택(Feature Selection)의 중요성을 강조합니다.

각 단계에서 실제 데이터에 적용 가능한 기법을 이해하고, 실전 데이터 적용 실습을 통해 학습하는 과정을 제공함으로써, 머신러닝 모델링의 효율성과 정확도를 높이는 방법을 체계적으로 배울 수 있습니다.

학습 목표

스테이지 1: 피처 생성(Feature Generation) (1)

이 단계에서는 피처 생성의 이유와 목적을 명확히 이해하고, Binning 같은 기본적인 피처 생성 기법을 실습을 통해 배웁니다. 피처 생성 과정을 통해 모델이 타겟 변수를 더 정확하게 예측할 수 있도록 돕는 방법을 학습합니다.

스테이지 2: 피처 생성(Feature Generation) (2)

이 단계에서는 머신러닝 모델을 학습시키는 과정과 새로운 데이터에 대한 예측 방법을 배웁니다. Scikit-learn 라이브러리를 활용하여 학습 데이터의 feature set을 학습하고, 정답지가 없는 새로운 데이터셋에 대한 예측을 수행하는 과정을 실습합니다. 이 과정을 통해 모델 학습의 기본 원리와 예측의 의미를 깊이 있게 이해할 수 있습니다.

스테이지 3: 피처 중요도(Feature Importance)

분류 모델의 성능을 평가하는 지표들을 학습합니다. Accuracy, Precision, Recall, F1-score와 같은 대표적인 성능 평가 지표의 정확한 개념을 confusion matrix를 통해 이해하며, 이를 실제 문제에 어떻게 적용하는지 배웁니다. 이를 통해 모델의 성능을 정확하게 평가하고 개선 방향을 모색할 수 있는 능력을 기릅니다.

스테이지 4: 피처 선택(Feature Selection)

마지막 단계에서는 학습 데이터를 학습용과 검증용으로 분할하여, 모델의 성능을 객관적으로 평가하는 방법을 배웁니다. Scikit-learn의 train_test_split 모듈을 활용하여 모델 학습과 성능 검증 과정을 실습합니다. 실전 대회 데이터를 활용한 실습을 통해, 실제 환경에서 모델의 성능을 검증하고 최적화하는 방법을 익힐 수 있습니다.

필수 선행 학습 📖

• 주제 학습 : 분류문제 모델 학습 및 성능 검증 ( https://dacon.io/edu/159 )
• 주제 학습 : 피처 엔지니어링 입문 ( https://dacon.io/edu/25)
• 주제 학습 : EDA : 데이터 분석을 위한 시각화 기초 (https://dacon.io/edu/158 )