After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
결측치는 어디에나 있습니다. 누락된 값을 채우는 과정을 대치(imputation)라고 하며, 결측치를 올바르게 채우는 방법을 아는 것은 정확한 예측을 만들고 경쟁에서 앞서 나가는 데 꼭 필요한 역량입니다. 이 강의에서는 시각화와 통계적 검정을 활용해 결측 패턴을 파악하고, 통계 및 Machine Learning 모델 모음을 사용해 데이터를 대치하는 방법을 배웁니다. 또한 어떤 상황에 어떤 대치 방법이 가장 적합한지 선택할 수 있도록 의사결정 능력도 기르게 됩니다. 마지막으로, 대치에서 비롯되는 불확실성을 추론과 예측에 반영해 결과를 더 견고하고 신뢰할 수 있게 만드는 방법을 익힙니다.
사전 요구 사항
커리큘럼
코스 개요
1
결측치 문제 이해하기
이 챕터에서는 데이터셋을 분석할 때 결측치가 왜 위험이 될 수 있는지 알아봅니다. 결측치가 발생하는 세 가지 메커니즘을 소개하고, 통계 검정과 시각화 도구로 이를 식별하는 방법을 배웁니다.
2
기증자 기반 대치법
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.
3
모델 기반 대치법
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.
4
대치로 인한 불확실성
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.
R
R에서 대치(Imputation)로 결측치 다루기
코스
완료
