이진 분류를 넘어서
물론 이진 분류는 여러 경우 중 하나일 뿐이에요. Target encoding은 어떤 타입의 타깃 변수에도 적용할 수 있습니다.
- 이진 분류의 경우 보통 평균 target encoding을 사용해요.
- 회귀의 경우 평균 대신 중앙값, 사분위수 등을 사용할 수 있어요.
- 다중 클래스 분류에서는 클래스가 N개라면 one-vs-all 방식으로 각 범주에 대해 타깃 평균을 가진 N개의 특성을 만듭니다.
여러분이 만든 mean_target_encoding() 함수는 위에 언급한 어떤 타깃 타입에도 사용할 수 있어요. 이제 House Prices Kaggle 대회 예시에서 회귀 문제에 적용해 보겠습니다.
목표는 범주형 특성 "RoofStyle"을 평균 target encoding으로 변환하는 것입니다. train과 test DataFrame은 이미 작업 공간에 준비되어 있습니다.
이 연습은 강의의 일부입니다
Python으로 Kaggle 대회 공략하기
연습 안내
mean_target_encoding()함수 호출에서 누락된 모든 매개변수를 지정하세요. 타깃 변수 이름은"SalePrice"입니다. 하이퍼파라미터 $\alpha$는 10으로 설정하세요.train과test매개변수에는 각각 학습용과 테스트용 DataFrame이 전달되어야 함을 기억하세요.target과categorical매개변수에는 각각 타깃 변수 이름과 인코딩할 특성 이름이 전달되어야 합니다.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Create mean target encoded feature
train['RoofStyle_enc'], test['RoofStyle_enc'] = mean_target_encoding(train=train,
test=____,
target='____',
categorical='____',
alpha=____)
# Look at the encoding
print(test[['RoofStyle', 'RoofStyle_enc']].drop_duplicates())