머신러닝에서 피처(Feature)와 레이블(Label)의 차이

머신러닝 모델을 학습시키기 위해서는 데이터가 필수적입니다. 이 데이터는 크게 피처(Feature)와 레이블(Label)로 구성되는데, 이 둘은 머신러닝 모델의 학습과 예측에 중요한 역할을 합니다. 이번 글에서는 피처와 레이블의 차이점을 명확히 설명하고, 몇 가지 예시를 통해 이해를 돕고자 합니다.

---

✨ 피처(Feature)란 무엇인가?
피처(Feature)는 머신러닝 모델이 학습할 때 사용되는 입력 변수 또는 속성을 의미합니다. 각 피처는 데이터의 특정 측면을 나타내며, 모델은 이러한 피처들을 분석하여 패턴을 학습하고 예측을 수행합니다. 피처는 독립 변수(Independent Variable) 또는 설명 변수(Explanatory Variable)라고도 불립니다.

피처는 숫자, 텍스트, 이미지 등 다양한 형태를 가질 수 있습니다. 예를 들어, 집 가격 예측 모델에서 피처는 집의 크기, 방의 개수, 위치, 건축 연도 등이 될 수 있습니다. 스팸 메일 분류 모델에서는 이메일 제목, 본문 내용, 발신자 주소 등이 피처가 될 수 있습니다.

# 예시: 집 가격 예측을 위한 피처 데이터
house_features = {
    'size': 150,          # 크기 (제곱미터)
    'rooms': 3,           # 방 개수
    'location': 'Seoul',  # 위치
    'year_built': 2010    # 건축 연도
}

---

🏷️ 레이블(Label)이란 무엇인가?
레이블(Label)은 머신러닝 모델이 예측해야 하는 정답 또는 결과 값을 의미합니다. 레이블은 종속 변수(Dependent Variable) 또는 목표 변수(Target Variable)라고도 불립니다. 레이블은 지도 학습(Supervised Learning)에서 필수적인 요소이며, 모델은 피처들을 기반으로 레이블을 예측하는 방법을 학습합니다.

레이블은 분류(Classification) 문제에서는 클래스(Class) 또는 카테고리(Category)의 형태로 나타나고, 회귀(Regression) 문제에서는 연속적인 숫자 값으로 나타납니다. 예를 들어, 스팸 메일 분류 모델에서 레이블은 '스팸' 또는 '정상'이 될 수 있으며, 집 가격 예측 모델에서는 실제 집 가격이 레이블이 됩니다.

# 예시: 집 가격 예측을 위한 레이블 데이터
house_label = 500000  # 실제 집 가격 (달러)

---

🧮 피처와 레이블의 관계
피처와 레이블은 머신러닝 모델 학습의 핵심 요소입니다. 모델은 피처들을 입력으로 받아 레이블을 예측하는 함수를 학습합니다. 이 과정을 통해 모델은 피처와 레이블 사이의 관계를 파악하고, 새로운 데이터에 대해 정확한 예측을 수행할 수 있게 됩니다.

예를 들어, 집 가격 예측 모델에서 모델은 집의 크기, 방의 개수, 위치, 건축 연도 등의 피처들을 분석하여 집 가격이라는 레이블을 예측합니다. 모델은 학습 데이터를 통해 이러한 피처들과 집 가격 사이의 관계를 학습하고, 새로운 집의 피처 정보를 입력받았을 때 해당 집의 가격을 예측할 수 있습니다.

---

📊 피처 엔지니어링(Feature Engineering)
피처 엔지니어링(Feature Engineering)은 머신러닝 모델의 성능을 향상시키기 위해 기존 피처를 변환하거나 새로운 피처를 생성하는 과정입니다. 좋은 피처는 모델이 데이터를 더 잘 이해하고 정확한 예측을 수행하는 데 도움을 줍니다.

피처 스케일링(Feature Scaling), 피처 선택(Feature Selection), 피처 추출(Feature Extraction) 등 다양한 기법이 피처 엔지니어링에 사용됩니다. 예를 들어, 집 크기 피처를 제곱미터에서 평으로 변환하거나, 건축 연도 피처를 현재 연도와의 차이로 변환하는 등의 작업이 피처 엔지니어링에 해당합니다.

---

🎯 레이블 인코딩(Label Encoding)
레이블 인코딩(Label Encoding)은 범주형 레이블을 숫자 형태로 변환하는 과정입니다. 머신러닝 모델은 숫자 데이터를 더 잘 처리할 수 있기 때문에, 범주형 레이블을 숫자 형태로 변환하는 것이 일반적입니다.

원-핫 인코딩(One-Hot Encoding)과 같은 기법이 레이블 인코딩에 사용됩니다. 예를 들어, '스팸' 레이블을 0으로, '정상' 레이블을 1로 변환하거나, 여러 개의 클래스를 각각의 이진 벡터로 표현하는 방법이 있습니다.

---

💡 피처와 레이블의 중요성 요약
피처와 레이블은 머신러닝 모델 학습의 가장 기본적인 요소입니다. 적절한 피처를 선택하고 레이블을 정확하게 정의하는 것은 모델의 성능에 큰 영향을 미칩니다. 피처 엔지니어링과 레이블 인코딩을 통해 데이터의 품질을 향상시키는 것도 중요한 과정입니다.

• 피처 (Feature): 모델 학습에 사용되는 입력 변수, 데이터의 속성
• 레이블 (Label): 모델이 예측해야 하는 정답, 결과 값
• 피처 엔지니어링 (Feature Engineering): 기존 피처를 변환하거나 새로운 피처를 생성하는 과정
• 레이블 인코딩 (Label Encoding): 범주형 레이블을 숫자 형태로 변환하는 과정