AI / 데이터 · 중급
데이터 전처리 과정에서 특성 스케일링(Feature Scaling)이 필요한 이유를 설명하고, 대표적인 방법인 표준화(Standardization)와 정규화(Normalization)의 차이점 및 각각의 적용 사례를 비교하여 설명해 보세요.
힌트 · 스케일링은 알고리즘의 성능 향상과 수렴 속도 개선에 기여하며, 표준화는 평균 0, 분산 1로, 정규화는 0과 1 사이로 데이터를 조정합니다.
특성 스케일링표준화정규화RobustScalerMinMaxScaler
모범답안
특성 스케일링은 모델의 성능 향상과 학습 속도 개선을 위해 필요합니다. 특히, 특성들의 스케일이 크게 다를 경우, 일부 알고리즘은 특정 특성에 과도하게 민감하게 반응할 수 있습니다.
표준화(Standardization)는 데이터의 평균을 0, 분산을 1로 조정하여 정규 분포에 가깝게 만듭니다. 이상치에 덜 민감하며, 일반적으로 대부분의 경우에 잘 작동합니다. 예를 들어, 키와 몸무게처럼 단위가 다르고 범위 차이가 큰 데이터를 다룰 때 유용합니다.
정규화(Normalization)는 데이터를 0과 1 사이의 값으로 변환합니다. MinMaxScaler가 대표적이며, 데이터가 특정 범위 내에 있을 때 효과적입니다. 이미지 픽셀 값을 0과 1 사이로 조정하는 경우에 사용할 수 있습니다.
데이터에 이상치가 많다면, 표준화 대신 RobustScaler를 사용하는 것이 좋습니다. RobustScaler는 중앙값과 IQR을 사용하여 이상치의 영향을 줄입니다.
읽었다면, 이제 직접 답해볼 차례예요
패스잇 앱에서 이 질문에 말로 답하면 AI가 꼬리질문까지 이어가며 1:1 코칭합니다.
함께 보는 데이터 사이언스 면접 질문
- 머신러닝 모델에서 과적합을 방지하기 위한 정규화(Regularization) 기법인 L1과 L2 정규화의 원리와 차이점을 설명하고, 각각이 모델의 가중치에 어떤 효과를 가져오는지 예시를 들어 설명해 보세요.
- 머신러닝 모델 평가 시 교차 검증(Cross-Validation)이 필요한 이유와 K-Fold Cross-Validation의 동작 원리를 설명하고, 이 방법이 모델의 일반화 성능 평가에 어떻게 기여하는지 설명해 보세요.
- 분류 모델의 성능을 평가할 때 정확도(Accuracy) 외에 정밀도(Precision), 재현율(Recall), F1-Score와 같은 다른 지표들이 왜 필요한지 설명하고, 각 지표가 어떤 상황에서 중요하게 활용되는지 구체적인 예시를 들어 설명해 보세요.
- 실제 데이터에서 결측치(Missing Data)가 발생하는 원인과 이를 처리하기 위한 다양한 전략(예: 제거, 대체)을 설명하고, 각 전략의 장단점 및 데이터 특성에 따른 적절한 처리 방법을 논의해 보세요.
- 서비스 개선을 위해 A/B 테스트를 설계했습니다. 하지만 테스트 결과가 예상과 달리 명확한 인과 관계를 보여주지 못하고 혼란 변수(confounding variables)의 영향이 의심되는 상황입니다. 이러한 상황에서 A/B 테스트의 한계를 극복하고 신뢰할 수 있는 인과 관계를 추론하기 위한 고급 통계적 또는 머신러닝 기반 접근 방식은 무엇이 있으며, 각 방법의 가정과 적용 시 고려사항을 설명해주세요.
- 프로덕션 환경에 배포된 머신러닝 모델이 시간이 지남에 따라 성능이 저하되는 현상(Model Drift)을 경험하고 있습니다. 데이터 드리프트와 컨셉트 드리프트의 차이점을 설명하고, 각 유형의 드리프트를 효과적으로 감지하고 자동으로 대응하기 위한 모니터링 시스템 설계 방안과 구체적인 지표들을 제시해주세요.