# 무작위 샘플링

## 개요

무작 샘플링(Random)은 데이터 과학 통계학에서 모집단(Pulation)에서 일부 표(Sample)을출할 때, 개체가 동일한 확률로 선택될 있도록 하는 방법이다. 이는 데이터 분석의 신뢰성과 일반화 가능성을 높이기 위한 핵심적인 데이터 분 기법 중 하나, 특히 기계학 모델의 훈, 검증,스트 단계에서 널 사용된다. 무작위 샘플링 통해 선택된 표본은집단의 특성을 잘 반영할 가능성이 높아지며, 편향(Bias)을 최소화할 수 있다.

## 무작위 샘플링의 원리

무작위 샘플링은 확률 기반의 추출 방식으로, 다음 두 가지 핵심 조건을 충족해야 한다:

1. **동일한 선택 확률**: 모집단에 속한 모든 개체가 표본으로 선택될 확률이 동일해야 한다.
2. **독립성**: 한 개체의 선택이 다른 개체의 선택 확률에 영향을 주지 않아야 한다.

이러한 조건을 만족하면, 표본은 모집단의 통계적 특성을 잘 반영하게 되며, 이를 통해 신뢰도 높은 추론이 가능해진다.

### 유형

무작위 샘플링은 다음과 같은 여러 형태로 구분할 수 있다:

#### 1. 단순 무작위 샘플링 (Simple Random Sampling)
- 모집단에서 가능한 모든 조합이 동일한 확률로 선택되는 방식이다.
- 예: 1000명의 고객 데이터 중에서 100명을 무작위로 추출.
- 구현 방법: 난수 생성기(Random Number Generator)를 활용하여 인덱스를 무작위로 선택.

```python
import random

population = list(range(1000))  # 모집단
sample = random.sample(population, 100)  # 100개 무작위 추출
```

#### 2. 반복 무작위 샘플링 (Sampling with Replacement)
- 한 번 선택된 개체가 다시 선택될 수 있는 방식이다.
- 주로 부트스트래핑(Bootstrapping) 기법에서 사용된다.

#### 3. 비반복 무작위 샘플링 (Sampling without Replacement)
- 한 번 선택된 개체는 다시 선택되지 않는다.
- 일반적인 데이터 분할에서 주로 사용된다.

## 데이터 분할에서의 활용

기계학습에서는 전체 데이터셋을 **훈련 데이터**(Training Set), **검증 데이터**(Validation Set), **테스트 데이터**(Test Set)로 나누는 것이 일반적이다. 이 과정에서 무작위 샘플링은 다음과 같은 방식으로 적용된다.

### 훈련-테스트 분할 (Train-Test Split)

가장 흔한 형태로, 전체 데이터를 무작위로 분할하여 모델의 성능을 평가한다.

- 예: 80% 훈련, 20% 테스트
- 중요성: 데이터의 순서나 배치에 따른 편향을 방지한다.

```python
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, shuffle=True
)
```

- `random_state`: 재현성을 보장하기 위해 설정하는 시드 값.
- `shuffle=True`: 무작위로 섞은 후 분할.

### 교차 검증 (Cross-Validation)

K-겹 교차 검증(K-Fold Cross Validation)에서는 데이터를 무작위로 섞은 후 K개의 폴드로 나누고, 각 폴드를 번갈아 가며 검증에 사용한다. 이 과정에서도 무작위 샘플링이 중요한 역할을 한다.

## 장점과 한계

### 장점

- **편향 최소화**: 데이터의 순서나 그룹에 따른 편향을 줄일 수 있다.
- **일반화 성능 향상**: 모델이 다양한 데이터 패턴을 학습할 수 있도록 돕는다.
- **단순하고 직관적**: 구현이 간단하며, 이해하기 쉽다.

### 한계

- **계층 구조 무시 가능**: 모집단 내 특정 하위 그룹(예: 클래스 불균형)이 표본에서 제대로 반영되지 않을 수 있다.
- **소규모 데이터셋에서 불안정**: 표본 크기가 작을 경우, 무작위성으로 인해 결과가 불안정해질 수 있다.

이러한 한계를 보완하기 위해 **층화 샘플링**(Stratified Sampling)과 같은 변형 기법이 사용되기도 한다.

## 주의사항

- **재현성 확보**: 분석 결과의 재현성을 위해 `random seed`를 고정하는 것이 중요하다.
- **데이터 섞기 전 확인**: 시간 순서나 시계열 데이터의 경우 무작위 샘플링이 적절하지 않을 수 있으므로 주의가 필요하다.
- **클래스 균형 고려**: 분류 문제에서 특정 클래스가 희소할 경우, 단순 무작위 샘플링보다 계층적 접근이 더 효과적일 수 있다.

## 관련 기법

| 기법 | 설명 |
|------|------|
| 층화 샘플링 | 모집단의 하위 그룹(예: 클래스) 비율을 유지한 채 샘플링 |
| 시스템적 샘플링 | 일정 간격으로 데이터를 추출 (예: 매 10번째 데이터) |
| 군집 샘플링 | 모집단을 군집으로 나누고, 일부 군집을 무작위로 선택 |

## 참고 자료

- [Scikit-learn: train_test_split](https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html)
- Freedman, D., Pisani, R., & Purves, R. (2007). *Statistics* (4th ed.). W. W. Norton & Company.
- 동아시아 데이터 과학 협회 (2023). *데이터 분할 기법의 이해와 적용*, 기술 보고서 No. 2023-DS-04.

무작위 샘플링은 데이터 과학의 기초이자 핵심 원칙 중 하나로, 신뢰할 수 있는 분석과 모델 개발을 위한 필수적인 단계이다.