지식 · AI 기초

특성 공학

Feature Engineering

📂AI 기초⏱읽기 1분📊심화🔗관련 2

특성 공학이란?

한 줄 정의

원본 데이터를 모델이 잘 학습하도록 유용한 입력 변수(특성)로 가공하는 작업. '좋은 재료 손질'.

⚡ 3줄 요약

원본을 유용한 입력 변수로 가공
'좋은 재료 손질'
전통 ML 성능 좌우

특성 공학은 날것의 데이터를 모델이 이해하기 좋은 형태로 다듬는 작업입니다. 예를 들어 '생년월일'에서 '나이'를 뽑고, '가입일'에서 '가입 후 경과일'을 만드는 식으로, 예측에 도움 되는 변수를 설계합니다. '좋은 재료를 잘 손질해야 요리가 산다'는 것과 같습니다.

전통 기계학습에서는 모델보다 특성 공학이 성능을 더 좌우한다는 말이 있을 만큼 중요합니다. 도메인 지식이 크게 작용해, 그 분야를 잘 아는 사람이 좋은 특성을 만듭니다. 다만 딥러닝은 특성을 스스로 학습하는 경향이 있어, 최근엔 자동화·표현학습으로 일부 대체되고 있습니다.

💡 쉽게 말하면

요리에서 재료를 잘 손질하는 것 — 같은 데이터도 어떻게 다듬느냐로 결과가 달라집니다.

실무에서 왜 중요한가

'좋은 데이터가 좋은 모델을 만든다'의 핵심입니다. 특성의 질이 모델 성능을 크게 좌우합니다.

유래와 출처

전통 기계학습의 핵심 실무로, 데이터 준비·표현의 중요성에서 정립됐습니다.

사례로 이해하기

예를 들어, 이탈 예측용 특성을 만든다고 해봅시다.

원본 — 가입일·구매 기록을 봅니다.
가공 — '최근 구매 후 경과일'을 만듭니다.
결합 — '월 평균 구매액'을 계산합니다.
선별 — 예측에 도움 되는 특성만 남깁니다.
학습 — 잘 다듬은 특성으로 모델을 훈련합니다.

자주 묻는 질문

모델이 같아도 입력 특성의 질에 따라 성능이 크게 달라지기 때문입니다. '재료 손질'에 해당합니다.

딥러닝은 특성을 스스로 학습하는 편이라 덜 필요하지만, 좋은 데이터 준비는 여전히 중요합니다.

모델이 같아도 입력 특성의 질에 따라 성능이 크게 달라집니다 — '재료 손질'에 해당합니다.