TIL(Today I Learned)1️⃣실무에 바로 쓰는 머신러닝 기초 2 실습 총 정리결측치와 이상치를 올바르게 처리하는 것이 모델의 기초 불균형 데이터 문제를 해결하지 않으면 소수 클래스(불량)을 놓칠 수 있다.범주형 변수는 원-핫 인코딩, 레이블 인코딩 등으로 적절히 반환 피처 엔지니어링을 통해 데이터에서 추가정보(패턴)을 추출하거나,중요하지 않은 변수는 제거해 모델의 효율과 성능을 높일 수 있다.전처리와 피처 엔지니어링 과정에서의 모든 선택(결측치 처리 방식, 이상치 제거 기준 등)은도메인 지식과 데이터 탐색(EDA) 결과를 함께 고려해야 한다. 주요 질문 및 답변 Q1.결측치 처리 시 예측모델을 쓰는 경우 A1. 결측치가 중요한 변수이거나, 전체 데이터의 상당 부분을 차지하는 경우 Q2.이상치..