# OneHotEncoder

##요

**OneHotEncoder**는 머신러닝 및 데이터 과 분야에서 범주형 데이터(c data)를 모이 처리할 수 있는 수치 형태로 변환 위해 사용되는 전처리 도구입니다. 사이킷런(Scikit-learn 라이브러리에서 제공하는 `sklearn.preprocessing.OneHotEncoder 클래스는 범주 변수를 **원-핫 인코딩**(One-Hot Encoding) 방으로 변환하는 데 널리 활용됩니다.

머신러닝 모델은 일반적으로 수치 데이터만을 입력으로 받아들이기 때문에, 문자열이나 레이블 형태의 범주형 데이터는 적절한 방식으로 변환되어야 합니다 OneHotEncoder는 각 범주(category)를 독립적인 이진(binary) 벡터로 표현함으로써 범주 간의 위계나 거리 관계를 부여하지 않고, 모델이 범주형 정보를 정확하게 해석할 수 있도록 도와줍니다.

---

## 원-핫 인코딩의 개념

### 범주형 데이터의 문제점

범주형 데이터는 예를 들어 다음과 같은 형태를 가집니다:

| 색상  |
|-------|
|강  |
| 파랑  |
| 초록  |

이 데이터 숫자로 단순히 매핑(예: 빨강=1,랑=2, 초록=3)하면 모델이 "파랑 빨강보다 크다" 또는 "초록이 파랑보다 두 배다"와 같은 잘못된 수치적 해석을 할 수 있습니다. 이는 범주형 변수가 본질적으로 순서가 없기 때문입니다.

### 원-핫 인코딩의 해결 방식

OneHotEncoder는 각 범주에 대해 **독립적인 열**(column)을 생성하고, 해당 범주가 존재할 경우 1, 존재하지 않으면 0을 할당합니다. 위 예시를 원-핫 인코딩하면 다음과 같습니다:

| 색상_빨강 | 색상_파랑 | 색상_초록 |
|-----------|-----------|-----------|
| 1         | 0         | 0         |
| 0         | 1         | 0         |
| 0         | 0         | 1         |

이 방식은 범주 간의 수치적 관계를 제거하고, 모델이 범주를 독립적인 특성으로 인식하도록 합니다.

---

## 사이킷런에서의 사용 방법

`OneHotEncoder`는 `sklearn.preprocessing` 모듈에서 제공되며, 다음과 같은 방식으로 사용됩니다.

### 기본 사용 예시

```python
from sklearn.preprocessing import OneHotEncoder
import numpy as np

# 범주형 데이터 예시
data = [['빨강'], ['파랑'], ['초록'], ['빨강'], ['파랑']]

# 인코더 생성 및 학습
encoder = OneHotEncoder(sparse=False)  # sparse=True는 희소 행렬 반환
encoded_data = encoder.fit_transform(data)

print(encoded_data)
```

출력 결과:
```
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]
 [1. 0. 0.]
 [0. 1. 0.]]
```

### 주요 파라미터

| 파라미터 | 설명 |
|--------|------|
| `sparse` | `True`일 경우 희소 행렬(sparse matrix) 반환 (메모리 효율적). `False`는 일반 NumPy 배열 반환. |
| `drop` | 중복 정보 방지를 위해 특정 범주를 제거. 예: `drop='first'`는 첫 번째 범주를 생략하여 다중공선성 방지. |
| `handle_unknown` | 학습 시 보지 못한 새로운 범주 처리 방식. `'error'`(기본), `'ignore'` 가능. |
| `categories` | 범주 집합을 미리 지정 가능. 일반적으로 `fit()` 시 자동 추출. |

---

## 주의사항 및 고려사항

### 더미 변수 트랩(Dummy Variable Trap)

원-핫 인코딩은 범주 수만큼의 열을 생성하므로, 모든 범주를 포함하면 **다중공선성**(multicollinearity) 문제가 발생할 수 있습니다. 예를 들어, 두 범주(남성, 여성)가 있을 때 두 열을 모두 사용하면 한 열이 다른 열의 정보를 완전히 유추할 수 있습니다.

이를 방지하기 위해, 대부분의 회귀 분석에서는 **더미 변수를 하나 제거**하는 것이 일반적입니다. `drop='first'` 옵션을 사용하면 자동으로 첫 번째 범주를 제외합니다.

### 고차원 데이터 문제

범주 수가 매우 많은 경우(예: 국가, 도시, 제품 코드 등), 원-핫 인코딩은 **피처 수를 급격히 증가**시켜 차원의 저주(curse of dimensionality)를 유발할 수 있습니다. 이 경우 다음과 같은 대안을 고려합니다:

- **임베딩**(Embedding) 사용 (특히 딥러닝)
- **라벨 인코딩**(Label Encoding) + 트리 기반 모델 사용
- **타겟 인코딩**(Target Encoding)
- **피처 해싱**(Feature Hashing)

---

## 관련 도구 및 비교

| 인코딩 방식 | 설명 | 장점 | 단점 |
|-------------|------|------|------|
| **OneHotEncoder** | 각 범주를 이진 벡터로 변환 | 모델 해석 용이, 순서 정보 없음 | 고차원화 위험 |
| **LabelEncoder** | 범주를 0, 1, 2, ...로 매핑 | 간단하고 메모리 효율적 | 순서 정보 오해 가능 |
| **OrdinalEncoder** | 순서가 있는 범주에 사용 | 순서 정보 반영 가능 | 순서가 없는 데이터에 부적합 |

> 🔍 **참고**: `pandas.get_dummies()`도 유사한 기능을 제공하지만, `OneHotEncoder`는 `Pipeline`과 통합이 용이하고, 새로운 데이터에 대해 일관된 인코딩을 유지할 수 있어 머신러닝 워크플로에서 더 권장됩니다.

---

## 활용 사례

- **분류 모델 전처리**: 범주형 입력 변수를 로지스틱 회귀, 신경망 등에 입력하기 전 변환
- **회귀 분석**: 범주형 독립 변수를 더미 변수로 처리
- **클러스터링**: 거리 기반 알고리즘에서 범주형 변수를 수치화

---

## 참고 자료

- [Scikit-learn 공식 문서: OneHotEncoder](https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html)
- [Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow](https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/) - Aurélien Géron
- [Feature Engineering for Machine Learning](https://www.oreilly.com/library/view/feature-engineering-for/9781491953235/) - Alice Zheng, Amanda Casari

OneHotEncoder는 데이터 과학 프로젝트에서 범주형 변수를 다룰 때 핵심적인 도구이며, 올바른 사용을 통해 모델의 성능과 해석 가능성을 크게 향상시킬 수 있습니다.