# 범주형 데이터 인코

## 개요범주형 데이터 인코딩(C Data Encoding)은 과학 및 머신러닝에서 중요한 전 과정 중 하나, 범주형 변수ategorical variable)를 머러닝 모델 이해하고 처리할 수 있는 수형 형태로 변하는 기법을 의미. 대부분의 머러닝 알고리즘은 숫자형 데이터를 입력으로 요구하므로, 텍스트의 범주(예: "남성",여성", "울", "부산")를 수치로환하는 작업이수적입니다. 이에서는 대표적인주형 데이터 인딩 기법과 그 사례, 장점에 대해 설명.

---

## 범주 데이터의 종류

범주형 데이터는 일반적으로 두 가지 유으로 구분됩니다:

- **명목형 데이터(Nominal Data)** 순서가 없는 범주 (예: 성별, 혈액형 도시 이름)
- **순서형 데이터(Ordinal Data)**: 순가 있는 범주 (예: 학력(고졸, 대졸, 석사), 등급(A, B, C))

인코딩 방식은 데이터의 종류에 따라 적절히 선택되어야 하며, 잘못된 인코딩은 모델의 성능 저하나 왜곡된 해석을 초래할 수 있습니다.

---

##요 인코딩 기법

### 1. 레이블 인코 (Label Encoding)

레이블 인코딩은 각 범주에 고유한 정수 값을 부하는 방법입니다.

```python
from sklearn.preprocessing import LabelEncoder

encoder = LabelEncoderencoded_labels = encoder.fit_transform(['서울', '부산', '대구', '서울'])
# 결과: [2, , 1, 2]
```

#### 특징
- 간단 빠른 방법
- 순서형 데이터에 적합 (예:음=0, 중간=1, 높음=2)
- 명목형 데이터에 사용 시 문제 발생 가능 (모델이 숫자의 크 순서로 오해할 수 있음)

#### 주의점
- 명목형 데이터 사용 시, 알고리즘이 "2 > 1"이라는 의미를 부여할 수 있어 왜곡 가능성 있음.

---

### 2. 원-핫 인코딩 (One-Hot Encoding)

각 범주를 독립적인 이진 벡터(binary vector)로 표현하는 방식입니다. 새로운 열(column)을 생성하여 해당 범주에 해당하면 1, 아니면 0을 할당합니다.

예를 들어, '도시' 변수가 ['서울', '부산', '대구']일 경우:

| 도시   | 도시_서울 | 도시_부산 | 도시_대구 |
|--------|-----------|-----------|-----------|
| 서울   | 1         | 0         | 0         |
| 부산   | 0         | 1         | 0         |
| 대구   |          | 0         | 1         |

```python
import pandas as pd

pd.get_dummies(['서울', '부산', '대구'])
```

#### 장점
- 명목형 데이터에 이상적
- 범주 간의 위계를 부여하지 않음

#### 단점
- 범주 수가 많을 경우 차원 증가 (차원의 저주)
- 희소 행렬(sparse matrix) 생성 → 메모리 사용 증가

---

### 3. 이진 인코딩 (Binary Encoding)

범주를 먼저 레이블 인코딩하고, 그 정수를 이진수(binary)로 변환한 후 각 비트를 별도의 열로 분리하는 방식입니다.

예: 5개의 범주 → 레이블 인코딩 후 이진수 변환 (0~4 → 000, 001, ..., 100)

#### 장점
- 원-핫보다 차원 증가가 적음
- 메모리 효율적

#### 단점
- 해석이 복잡함
- 범주 간 관계를 모델이 오해할 가능성 있음

---

### 4. 타깃 인코딩 (Target Encoding)

범주별로 타깃 변수(target variable)의 평균값(또는 통계량)을 해당 범주의 수치로 대체하는 방법입니다.

예: "지역"에 따라 "구매 여부"의 평균을 계산해 지역을 그 평균값으로 인코딩

#### 장점
- 타깃과의 관계를 반영하므로 강력한 피처 생성 가능
- 고차원 범주 변수에 효과적

#### 단점
- 데이터 누수(data leakage) 위험 있음
- 과적합(overfitting) 가능성 → 교차 검증(cross-validation) 기반 스무딩(smoothing) 필요

---

## 인코딩 기법 선택 가이드

| 데이터 유형       | 추천 인코딩 방식           | 비고                             |
|--------------------|----------------------------|----------------------------------|
| 명목형 (범주 수 적음) | 원-핫 인코딩               | 범주 간 관계 없음                  |
| 명목형 (범주 수 많음) | 이진 인코딩, 임베딩         | 차원 축소 필요                    |
| 순서형             | 레이블 인코딩               | 순서 정보 유지 가능               |
| 타깃과 강한 상관관계 | 타깃 인코딩 (스무딩 적용)   | 과적합 방지를 위해 주의 필요      |

---

## 참고 자료 및 관련 문서

- [Scikit-learn 문서: Preprocessing](https://scikit-learn.org/stable/modules/preprocessing.html)
- [Pandas `get_dummies`](https://pandas.pydata.org/docs/reference/api/pandas.get_dummies.html)
- **Feature Engineering for Machine Learning** - Alice Zheng 저
- **Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow** - Aurélien Géron

---

## 결론

범주형 데이터 인코딩은 머신러닝 파이프라인에서 정확한 모델 학습을 위한 핵심 단계입니다. 데이터의 성격(명목형/순서형), 범주 수, 모델의 특성 등을 고려하여 적절한 인코딩 방식을 선택해야 하며, 특히 고차원 데이터나 타깃 인코딩 시에는 과적합 방지를 위한 기술적 보완이 필요합니다. 현대의 고급 기법으로는 임베딩(Embedding)을 활용한 딥러닝 기반 인코딩도 주목받고 있으며, 복잡한 범주 구조를 효과적으로 처리할 수 있습니다.