Python으로 배우는 머신러닝 데이터 준비

쉬운 말로 이해하는 개념

머신러닝 모델은 숫자로 학습하며, 특성들의 스케일이 비슷할수록 더 잘 배웁니다. 정규화와 표준화는 데이터의 스케일을 조정하고, 행렬 곱셈은 모델이 여러 특성을 한 번에 결합하는 방법입니다.

Min-max 정규화와 z-점수 표준화로 특성의 스케일을 맞추고, 행렬 곱셈을 직접 계산합니다.

핵심 아이디어

스케일이 매우 다른 특성이 있으면 큰 숫자가 모델을 지배합니다.
Min-max는 값을 0과 1 사이로 유지하고, z-점수는 분포 모양을 유지한 채 중심을 0으로 옮깁니다.
스케일링 값은 학습 데이터에서 계산하고 새 데이터에도 그대로 사용합니다.
행렬 곱 A × B를 하려면 A의 열 수와 B의 행 수가 같아야 합니다.

언제 사용하나요?

신경망과 AI 라이브러리 내부에서 무슨 일이 일어나는지 이해합니다.
해당 챌린지에서 직접 구현하기 전에 아이디어를 익힙니다.
머신러닝 강의, 면접, 프로젝트를 준비합니다.

직접 움직여 보기

x5를 움직여 이상값을 만들고 min-max와 z-점수가 어떻게 반응하는지 비교해 보세요. A·B의 칸을 가리키면 어떤 행과 열을 쓰는지 보입니다.

예제 코드

코드 실행 →

main.py

import statistics

heights = [150, 160, 170, 180, 190]

# Min-max scaling squeezes values into the range 0..1.
low, high = min(heights), max(heights)
print("min-max:", [round((h - low) / (high - low), 2) for h in heights])

# Z-score standardization centres values on 0 with a spread of 1.
mean = statistics.mean(heights)
std = statistics.pstdev(heights)
print("z-scores:", [round((h - mean) / std, 2) for h in heights])

# Matrix multiplication: each output is a row of A dotted with a column of B.
A = [[1, 2], [3, 4]]
B = [[5, 6], [7, 8]]
product = [[sum(A[i][k] * B[k][j] for k in range(2)) for j in range(2)] for i in range(2)]
print("A x B:", product)

예상 출력

min-max: [0.0, 0.25, 0.5, 0.75, 1.0]
z-scores: [-1.41, -0.71, 0.0, 0.71, 1.41]
A x B: [[19, 22], [43, 50]]

작동 원리

Min-max 스케일링은 가장 작은 키를 0으로, 가장 큰 키를 1로 바꿉니다. z-점수는 평균을 빼고 표준편차로 나누므로 값들이 0을 중심으로 놓입니다. 행렬 곱에서 각 칸은 A의 한 행과 B의 한 열을 원소별로 곱해 더한 값입니다.

값을 변경하고 Python 설치 없이 CodeUtility 온라인 Python 컴파일러에서 실행하세요.

연습 문제

입력값과 경계 조건을 바꾸고 더 큰 데이터에서도 동작을 확인하세요.

입력이나 가중치를 바꾸고 실행하기 전에 출력을 예상해 보세요.
중간 값을 출력해 계산의 각 단계를 따라가 보세요.
아래에 연결된 챌린지를 풀며 아이디어를 직접 구현해 보세요.

Python IDE에서 실행 →

챌린지로 연습하기

이 레슨에서 배운 내용으로 실제 문제를 풀어 보세요. 모든 챌린지는 브라우저에서 실행되며 즉시 테스트와 AI 리뷰를 받을 수 있습니다.

모든 챌린지