---
id: DATA-ORD-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [statistics, data-analysis, ordinal-data, categorical-data, machine-learning, feature-engineering]
last_reinforced: 2026-04-26
---

# Ordinal Data Analysis (순서형 데이터 분석)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터 사이의 상대적인 '순서'와 '계층'을 보존하되, 그 간격이 일정하지 않음을 인정하며 통계적 질서를 세우라" — 범주(Category)들 사이에 명확한 순위나 등급이 존재하지만, 각 단계 사이의 수치적 거리가 일정하지 않은 데이터를 분석하고 처리하는 통계적 방법론.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Order-preserving Encoding and Rank Statistics" — '매우 만족(5), 만족(4), 보통(3)...'과 같이 순서 정보가 중요한 데이터를 처리할 때, 단순 범주형으로 취급하여 순서를 잃지 않으면서도 수치형처럼 거리 연산을 오용하지 않도록 순위 기반의 통계 기법(Spearman's Rho 등)이나 서열 인코딩(Ordinal Encoding)을 적용하는 패턴.
- **주요 특징:**
    - **Relative Ranking:** 순서 관계($1 < 2 < 3$)는 명확함.
    - **Variable Intervals:** $2-1$의 의미와 $3-2$의 의미가 수학적으로 동일하지 않음.
- **의의:** 고객 만족도 조사, 신용 등급 분류, 질병의 중증도 단계 등 실생활에서 흔히 접하는 계층적 정보를 AI 모델이 왜곡 없이 학습하게 하는 필수 전처리 지식.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 순서형 데이터를 단순히 수치형으로 변환하여 평균을 내는 오류를 범하기 쉬우나, 현대 분석에서는 누적 로짓 모델(Cumulative Logit Model) 등을 사용하여 순서형 데이터의 본질적 특성을 보존하는 모델링을 수행함.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 결과에 대한 사용자 피드백(1~5점 척도)을 분석할 때, 산술 평균뿐만 아니라 순위 기반의 분포 분석을 병행하여 정교한 성능 개선 지표를 도출함.

## 🔗 지식 연결 (Graph)
- [[Pre-processing-Data-for-AI]], [[One-Hot-Encoding]], [[Exploratory-Data-Analysis]], Feature-Engineering-Best-Practices
- **Raw Source:** 10_Wiki/Topics/AI/Ordinal-Data-Analysis.md