인코딩

AI
qwen-3-235b-a22b-instruct-2507
작성자
익명
작성일
2025.11.13
조회수
4
버전
v1
기술 → 데이터과학 → 데이터 전처리
인코딩 레이블 인코딩 원-핫 인코딩 순서형 인코딩 임베딩

인코딩

개요

데이터 전처리 과정에서 인코딩(Encoding)은 범주형 데이터(categorical data)를 머신러닝 모델이 이해할 수 있는 수치형 형식으로 변환하는 핵심 기술입니다. 대부분의 머신러닝 알고리즘은 문자열이나 라벨 형태의 범주형 데이터를 직접 처리할 수 없으므로, 이를 숫자로 변환하는 과정이 필수적입니다. 인코딩은 데이터의 의미를 보존하면서도 모델 학습에 적합한 형태로 데이터를 재구성하는 역할을 합니다.

이 문서에서는 대표적인 인코딩 기법들 — 레이블 인코딩(Label Encoding), 원-핫 인코딩(One-Hot Encoding), 이미지 인코딩(Ordinal Encoding), 임베딩(Embedding) — 을 중심으로 설명하고, 각 기법의 사용 사례, 장단점, 그리고 실전 적용 시 고려해야 할 사항을 다룹니다.

주요 인코딩 기법

레이블 인코딩 (Label Encoding)

레이블 인코딩은 각 범주형 값에 고유한 정수를 할당하는 간단한 인코딩 방식입니다. 예를 들어, ["red", "green", "blue"]라는 색상 카테고리를 [0, 1, 2]로 매핑할 수 있습니다.

from sklearn.preprocessing import LabelEncoder

encoder = LabelEncoder()
colors = ["red", "green", "blue", "red"]
encoded = encoder.fit_transform(colors)
print(encoded)  # 출력: [2 1 0 2]

장점

  • 메모리 사용이 적고, 간단하게 구현 가능
  • 순서가 있는 데이터(순서형 변수, ordinal)에 적합

단점

  • 임의로 부여된 정수 값이 알고리즘에 "순서" 또는 "크기 비교"의 의미를 전달할 수 있음
  • 예: "red=0", "blue=2" 라고 하면 모델이 "blue가 red보다 2배 크다"고 오해할 수 있음

✅ 적합한 경우: 순서형 변수(예: "낮음", "중간", "높음") 또는 트리 기반 모델(랜덤 포레스트, XGBoost 등)에서 사용 시

원-핫 인코딩 (One-Hot Encoding)

원-핫 인코딩은 각 범주를 독립적인 이진 벡터(binary vector)로 표현하는 방식입니다. 범주의 수만큼의 새로운 열을 생성하고, 해당 범주에 해당하는 위치에만 1을, 나머지는 0을 배정합니다.

예: ["A", "B", "A", "C"] → | A | B | C | |---|---|---| | 1 | 0 | 0 | | 0 | 1 | 0 | | 1 | 0 | 0 | | 0 | 0 | 1 |

import pandas as pd

data = pd.DataFrame({'color': ['red', 'green', 'blue', 'red']})
one_hot = pd.get_dummies(data, columns=['color'])
print(one_hot)

장점

단점

✅ 적합한 경우: 명목형 변수(nominal, 예: 국가, 색상), 범주 수가 적을 때

순서형 인코딩 (Ordinal Encoding)

순서형 인코딩은 레이블 인코딩과 유사하지만, 범주에 의미 있는 순서가 있을 때 수동으로 순위를 부여하는 방식입니다.

예: 교육 수준 → ["고졸", "학사", "석사", "박사"] → [1, 2, 3, 4]

from sklearn.preprocessing import OrdinalEncoder

encoder = OrdinalEncoder(categories=[["low", "medium", "high"]])
levels = [["low"], ["high"], ["medium"]]
encoded = encoder.fit_transform(levels)
print(encoded)  # [[0.], [2.], [1.]]

특징

  • 순서 정보를 모델에 명시적으로 전달 가능
  • 사용자가 순서를 정의해야 하므로 도메인 지식 필요

✅ 적합한 경우: 순서가 있는 범주형 변수 (예: 평점, 등급)

임베딩 (Embedding)

고차원 범주형 변수(예: 단어, 사용자 ID)를 처리할 때는 임베딩(Embedding) 기법을 사용합니다. 딥러닝 모델에서 흔히 사용되며, 범주를 고정된 크기의 밀집 벡터(dense vector)로 변환합니다.

예: 단어 "사과" → [0.8, -0.3, 1.2, 0.1]

장점

  • 차원 축소 효과
  • 유사한 범주 간의 의미적 유사성 학습 가능
  • 고차원 데이터에 적합

단점

  • 딥러닝 모델 학습 과정에서 함께 학습 필요
  • 해석이 어렵고, 사전 학습된 임베딩이 없으면 초기 성능 낮음

✅ 적합한 경우: 자연어 처리(NLP), 추천 시스템, 고유 식별자(ID) 처리

인코딩 선택 가이드

인코딩 방식 데이터 유형 차원 증가 모델 적합성 비고
레이블 인코딩 순서형 또는 이진형 없음 트리 기반 모델 순서 주의
원-핫 인코딩 명목형, 소규모 큼 대부분의 선형 모델 더미 변수 함정 주의
순서형 인코딩 순서형 없음 모든 모델 (순서 반영 시) 수동 정의 필요
임베딩 고차원 범주형 조절 가능 딥러닝 기반 모델 학습 기반

💡 더미 변수 함정(Dummy Variable Trap): 원-핫 인코딩 후 모든 더미 변수를 유지하면 다중 공선성 문제 발생 → 일반적으로 하나의 범주를 기준으로 제거

참고 자료 및 관련 문서

인코딩은 데이터 과학 프로젝트의 성패를 좌우하는 중요한 전처리 단계입니다. 데이터의 성격과 사용하는 모델의 특성을 고려해 적절한 인코딩 방식을 선택함으로써, 모델의 성능과 해석 가능성을 동시에 높일 수 있습니다.

AI 생성 콘텐츠 안내

이 문서는 AI 모델(qwen-3-235b-a22b-instruct-2507)에 의해 생성된 콘텐츠입니다.

주의사항: AI가 생성한 내용은 부정확하거나 편향된 정보를 포함할 수 있습니다. 중요한 결정을 내리기 전에 반드시 신뢰할 수 있는 출처를 통해 정보를 확인하시기 바랍니다.

이 AI 생성 콘텐츠가 도움이 되었나요?