결측 메커니즘 알아보기

대치 방법의 분류 체계를 익히고, 평균 대치, 핫덱(hot-deck) 대치, k-최근접이웃(k-Nearest-Neighbors) 대치의 세 가지 기증자 기반 기법을 학습합니다. 각 방법이 내부적으로 어떻게 작동하는지 살펴본 뒤, 실제 열대 기상 데이터셋에 적용해 봅니다. 그 과정에서 여러분의 문제에 더 잘 맞도록 성능을 높이는 실용적인 팁도 함께 배웁니다.

Exercise 1: 평균 대치 Exercise 2: 평균 대치의 위험 신호 맡아 보기 Exercise 3: 평균 대치로 온도 채우기 Exercise 4: 마진 플롯으로 대치 품질 평가하기 Exercise 5: Hot-deck 대치 Exercise 6: 기본 hot-deck Exercise 7: Hot-deck 팁 & 트릭 I: 도메인 내 대치 Exercise 8: Hot-deck 요령 II: 상관된 변수로 정렬하기 Exercise 9: k-최근접 이웃 채움(k-Nearest-Neighbors imputation)Exercise 10: 이웃 수 선택하기 Exercise 11: kNN 팁과 요령 I: 기증자 가중치 부여 Exercise 12: kNN 팁 & 트릭 II: 변수 정렬

이제 선형 회귀, 로지스틱 회귀, 랜덤 포레스트와 같은 통계 및 Machine Learning 모델을 사용해 결측치를 대치하는 방법을 배울 차례입니다. 이 챕터에서는 모델이 예측을 만들어 내는 과정을 살펴보고, 그 이해를 바탕으로 조건부분포에서 대치값을 표본추출하는 방법을 사용합니다. 이는 대치값의 다양성과 개연성을 높여 실제 데이터에 더 가까워지도록 하는 데 중요합니다.

Exercise 1: 모형 기반 대치 방법 Exercise 2: 선형 회귀를 활용한 대치 Exercise 3: 결측값 초기화 및 변수 반복 처리 Exercise 4: 수렴 감지하기 Exercise 5: 데이터 변동성 복제하기 Exercise 6: 로지스틱 회귀로 대치하기 Exercise 7: 조건부분포에서 추출하기 Exercise 8: 여러 변수 유형에 대한 모델 기반 대치 Exercise 9: 트리 기반 대치 Exercise 10: Random Forest로 보간하기 Exercise 11: 변수별 대치 오류 Exercise 12: 속도-정확도 간의 균형

대치된 값은 확정값이 아닙니다. 어디까지나 추정치이며, 추정에는 불확실성이 따릅니다. 마지막 챕터에서는 부트스트래핑과 mice 패키지를 활용한 연쇄 방정식 대치(chained equations)를 통해, 대치 불확실성을 모델과 분석에 반영하여 더 신뢰 가능하고 견고한 결과를 얻는 방법을 알아봅니다.

Exercise 1: 부트스트래핑을 이용한 다중 대치 Exercise 2: 대치와 모델링을 함수로 묶기 Exercise 3: 부트스트랩 실행하기 Exercise 4: 부트스트래핑 신뢰 구간 Exercise 5: 연쇄방정식을 이용한 다중 대치 Exercise 6: mice 흐름: mice - with - pool Exercise 7: 기본 모델 선택하기 Exercise 8: 예측자 행렬 사용하기 Exercise 9: 모두 종합해 보기 Exercise 10: 결측 데이터 패턴 분석하기 Exercise 11: 결과 대치와 점검 Exercise 12: 대치된 데이터로 추론하기 Exercise 13: 마무리 안내