docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,181 @@
|
||||
---
|
||||
id: wiki-2026-0508-pre-processing-data-for-ai
|
||||
title: Pre-processing Data for AI
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Data Preprocessing, Feature Engineering, Data Cleaning]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [data-preprocessing, feature-engineering, ml, sklearn, pipeline]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: scikit-learn, pandas, polars
|
||||
---
|
||||
|
||||
# Pre-processing Data for AI
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 raw data를 model-consumable form으로 변환 — clean, scale, encode, impute."**. ML pipeline의 80% 시간이 매 여기에 소요. 매 sklearn `Pipeline` + `ColumnTransformer` 가 표준, modern stack은 polars + sklearn 또는 PyTorch `Dataset` 내 transform.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 단계
|
||||
1. **Cleaning**: duplicate 제거, type 정정, outlier 처리.
|
||||
2. **Missing imputation**: mean/median/mode, KNN, MICE, model-based.
|
||||
3. **Encoding**: categorical → numeric (one-hot, target, ordinal, embedding).
|
||||
4. **Scaling**: numeric range 정규화 (standard, minmax, robust).
|
||||
5. **Feature engineering**: domain feature, interaction, polynomial, time lag.
|
||||
6. **Splitting**: train/val/test — 매 leak 방지가 핵심.
|
||||
|
||||
### 매 leakage 방지 원칙
|
||||
- Fit transform on **train only**, apply on val/test.
|
||||
- 매 sklearn `Pipeline` 안에 모두 포함 — cross-val 안전.
|
||||
- Time-series는 매 chronological split.
|
||||
|
||||
### 매 응용
|
||||
1. Tabular ML (XGBoost / LightGBM / CatBoost) 매 input 준비.
|
||||
2. NLP tokenization + truncation + padding.
|
||||
3. Vision augmentation (flip, crop, mixup, RandAugment).
|
||||
4. Time-series feature lag, rolling stat.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### sklearn Pipeline + ColumnTransformer (canonical)
|
||||
```python
|
||||
import pandas as pd
|
||||
from sklearn.compose import ColumnTransformer
|
||||
from sklearn.pipeline import Pipeline
|
||||
from sklearn.preprocessing import StandardScaler, OneHotEncoder
|
||||
from sklearn.impute import SimpleImputer
|
||||
from sklearn.ensemble import GradientBoostingClassifier
|
||||
|
||||
num = ['age', 'income']
|
||||
cat = ['city', 'plan']
|
||||
|
||||
num_pipe = Pipeline([
|
||||
('imp', SimpleImputer(strategy='median')),
|
||||
('sc', StandardScaler()),
|
||||
])
|
||||
cat_pipe = Pipeline([
|
||||
('imp', SimpleImputer(strategy='most_frequent')),
|
||||
('oh', OneHotEncoder(handle_unknown='ignore')),
|
||||
])
|
||||
pre = ColumnTransformer([('num', num_pipe, num), ('cat', cat_pipe, cat)])
|
||||
|
||||
clf = Pipeline([('pre', pre), ('m', GradientBoostingClassifier())])
|
||||
clf.fit(X_train, y_train)
|
||||
```
|
||||
|
||||
### Train/val/test split (no leak)
|
||||
```python
|
||||
from sklearn.model_selection import train_test_split
|
||||
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2,
|
||||
stratify=y, random_state=42)
|
||||
X_tr, X_val, y_tr, y_val = train_test_split(X_tr, y_tr, test_size=0.2,
|
||||
stratify=y_tr, random_state=42)
|
||||
```
|
||||
|
||||
### Target encoding (high-cardinality categorical)
|
||||
```python
|
||||
from category_encoders import TargetEncoder
|
||||
te = TargetEncoder(cols=['zip_code'])
|
||||
X_train_enc = te.fit_transform(X_train, y_train)
|
||||
X_test_enc = te.transform(X_test)
|
||||
```
|
||||
|
||||
### Outlier handling (winsorize + RobustScaler)
|
||||
```python
|
||||
from scipy.stats import mstats
|
||||
import numpy as np
|
||||
X['amount'] = mstats.winsorize(X['amount'], limits=[0.01, 0.01])
|
||||
|
||||
from sklearn.preprocessing import RobustScaler
|
||||
X[['amount']] = RobustScaler().fit_transform(X[['amount']])
|
||||
```
|
||||
|
||||
### Time-series lag / rolling features (polars)
|
||||
```python
|
||||
import polars as pl
|
||||
df = (
|
||||
df.sort('ts')
|
||||
.with_columns([
|
||||
pl.col('y').shift(1).alias('y_lag1'),
|
||||
pl.col('y').shift(7).alias('y_lag7'),
|
||||
pl.col('y').rolling_mean(window_size=7).alias('y_ma7'),
|
||||
])
|
||||
)
|
||||
```
|
||||
|
||||
### Image augmentation (torchvision v2)
|
||||
```python
|
||||
from torchvision.transforms import v2
|
||||
import torch
|
||||
train_tf = v2.Compose([
|
||||
v2.RandomResizedCrop(224, antialias=True),
|
||||
v2.RandomHorizontalFlip(),
|
||||
v2.RandAugment(),
|
||||
v2.ToDtype(torch.float32, scale=True),
|
||||
v2.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225]),
|
||||
])
|
||||
```
|
||||
|
||||
### KNN imputer (correlated missing)
|
||||
```python
|
||||
from sklearn.impute import KNNImputer
|
||||
imp = KNNImputer(n_neighbors=5)
|
||||
X_imp = imp.fit_transform(X)
|
||||
```
|
||||
|
||||
### Iterative (MICE) imputer
|
||||
```python
|
||||
from sklearn.experimental import enable_iterative_imputer # noqa
|
||||
from sklearn.impute import IterativeImputer
|
||||
imp = IterativeImputer(max_iter=10, random_state=0)
|
||||
X_imp = imp.fit_transform(X)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Numeric, gaussian-like | StandardScaler |
|
||||
| Numeric with outliers | RobustScaler 또는 winsorize |
|
||||
| Numeric bounded [0,1] 필요 | MinMaxScaler |
|
||||
| Low-cardinality categorical | OneHotEncoder |
|
||||
| High-cardinality categorical | Target encoding 또는 embedding |
|
||||
| Tree-based (XGBoost) | scaling 불필요, encoding은 ordinal/native cat OK |
|
||||
| Time-series | lag/rolling feature, chronological split |
|
||||
| Image | torchvision/timm augmentation |
|
||||
|
||||
**기본값**: tabular는 sklearn Pipeline + ColumnTransformer, vision은 torchvision v2.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Machine_Learning]] · [[Data_Engineering]]
|
||||
- 변형: [[Feature Engineering]] · [[Feature_Scaling]]
|
||||
- Adjacent: [[Data_Cleaning]] · [[Imbalanced_Data]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: tabular ML 매 input prep, time-series feature gen, image/text augmentation pipeline 설계.
|
||||
**언제 X**: 매 modern deep learning에서 raw input → end-to-end (CNN/Transformer가 매 representation 학습) — pretrained 사용 시 normalization만.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Fit scaler on full data before split**: 매 leak — val/test 정보가 train scaler에 누출.
|
||||
- **One-hot 1000+ category**: 매 sparse 폭발. Target encoding 또는 embedding.
|
||||
- **Drop all NaN rows**: 매 loss huge. Imputation 또는 missing indicator.
|
||||
- **Standardize tree-based input**: 매 pointless — tree는 scale invariant.
|
||||
- **Same augmentation on val**: 매 train만 augment, val/test deterministic.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (sklearn user guide preprocessing, pandas docs, polars docs, torchvision v2 transforms).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — preprocessing stages + sklearn Pipeline + leakage rules |
|
||||
Reference in New Issue
Block a user