머신 러닝 모델을 학습시킬 때, 피처 스케일링은 중요한 전처리 단계입니다. 피처 스케일링은 다른 단위 또는 범위를 가지는 피처들을 동일한 단위로 변환하여 모델의 성능을 향상시키는 역할을 수행합니다. scikit-learn은 머신 러닝을 위한 파이썬 라이브러리로, 다양한 피처 스케일링 메서드를 제공합니다.

1. Standard Scaling

Standard Scaling은 피처를 평균이 0이고 표준편차가 1인 값으로 변환하는 방법입니다. 이 방법은 가장 일반적으로 사용되는 스케일링 방법 중 하나입니다. 아래와 같은 코드를 사용하여 피처를 Standard Scaling 할 수 있습니다.

from sklearn.preprocessing import StandardScaler

# 피처 데이터 생성
X = [[-1, 2], 
     [0, 0], 
     [1, -1]]

# Standard Scaling 적용
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

2. Min-Max Scaling

Min-Max Scaling은 피처를 최소값과 최대값 사이의 범위로 변환하는 방법입니다. 변환된 피처는 0과 1 사이의 값을 가지게 됩니다. 아래와 같은 코드를 사용하여 피처를 Min-Max Scaling 할 수 있습니다.

from sklearn.preprocessing import MinMaxScaler

# 피처 데이터 생성
X = [[-1, 2], 
     [0, 0], 
     [1, -1]]

# Min-Max Scaling 적용
scaler = MinMaxScaler()
X_scaled = scaler.fit_transform(X)

3. Robust Scaling

Robust Scaling은 이상치의 영향을 최소화한 피처 스케일링 방법입니다. 평균 및 표준편차 대신 중간값과 사분위범위를 사용하여 스케일링을 수행합니다. 아래 코드를 사용하여 피처를 Robust Scaling 할 수 있습니다.

from sklearn.preprocessing import RobustScaler

# 피처 데이터 생성
X = [[-1, 2], 
     [0, 0], 
     [1, -1]]

# Robust Scaling 적용
scaler = RobustScaler()
X_scaled = scaler.fit_transform(X)

참고 자료

• scikit-learn 공식 문서
• Scikit-Learn으로 피처 스케일링 하는 방법