데이터의 속성(Attribute) 이란?

데이터 속성이란? 데이터를 구성하는 가장 작은 단위이자, 우리가 분석하려는 대상이 가진 '특징'이나 '성질'을 의미 사람'이라는 데이터 객체가 있을 때 그 사람의 이름, 나이, 성별, 키 등이 바로 속성이 됩니다. 데이터 속성은 크게 범주형(Qualitative)과 수치형(Quantitative)으로 나뉩니다. AI 모델은 이 속성의 성격에 따라 학습 방식이 달라지기 때문에 명확히 구분하는 것이 필수입니다.

 

1. 범주형 데이터 (Categorical Data)

숫자로 표현되더라도 산술 연산(더하기, 빼기 등)이 의미가 없는 데이터를 말합니다.

• 명목형 (Nominal): 순서나 우선순위가 없는 속성입니다.
  • 예: 혈액형(A, B, O, AB), 성별, 거주 지역.
• 순서형 (Ordinal): 순위나 등급이 존재하는 속성입니다.
  • 예: 학점(A+, B, C), 고객 만족도(매우 만족~매우 불만족).

2. 수치형 데이터 (Numerical Data)

수치로 표현되며, 수학적 계산이 가능한 데이터를 말합니다.

• 이산형 (Discrete): 개수를 셀 수 있는 딱딱 끊어지는 값입니다.
  • 예: 가족 구성원 수, 사고 발생 건수.
• 연속형 (Continuous): 일정 범위 내에서 무한히 세분화될 수 있는 값입니다.
  • 예: 키, 몸무게, 온도, 시간.

---

💡 AI 공부에서 속성이 중요한 이유

AI 모델(특히 머신러닝)에 데이터를 넣을 때, 속성의 유형에 따라 전처리 과정이 달라집니다.

1. 인코딩 (Encoding): 범주형 데이터(예: "빨강", "파랑")는 컴퓨터가 이해할 수 있도록 숫자(0, 1)로 바꾸어주어야 합니다.
2. 스케일링 (Scaling): 수치형 데이터의 경우, '키(cm)'와 '나이(세)'처럼 단위가 다르면 AI가 혼란을 겪을 수 있어 범위를 맞춰주는 작업이 필요합니다.
3. 특성 공학 (Feature Engineering): 어떤 속성이 결과 예측에 가장 중요한지 선택하거나, 기존 속성을 조합해 새로운 속성을 만드는 과정이 모델의 성능을 결정합니다.

 

---