이 단원에서는 숫자처럼 동작하는 정수 또는 부동 소수점 값을 의미하는 숫자 데이터에 중점을 둡니다. 즉, 덧셈, 집계, 순서 지정 등이 가능합니다. 다음 단원에서는 카테고리처럼 작동하는 숫자가 포함될 수 있는 범주형 데이터에 중점을 둡니다. 세 번째 단원에서는 모델을 학습하고 평가할 때 고품질 결과를 얻기 위해 데이터를 준비하는 방법을 중점적으로 다룹니다.
수치 데이터의 예는 다음과 같습니다.
온도
무게
자연 보호 구역에서 겨울을 나는 사슴의 수
반대로 미국 우편번호가
5자리 또는 9자리 숫자인 경우, 숫자처럼 동작하거나
관계라고 할 수 있습니다. 우편번호 40004 (켄터키주 넬슨 카운티)는
워싱턴 D.C.의 우편번호 20002의 두 배가 아닙니다. 이러한 숫자는 카테고리, 특히 지리적 지역을 나타내며 범주형 데이터로 간주됩니다.
[[["이해하기 쉬움","easyToUnderstand","thumb-up"],["문제가 해결됨","solvedMyProblem","thumb-up"],["기타","otherUp","thumb-up"]],[["필요한 정보가 없음","missingTheInformationINeed","thumb-down"],["너무 복잡함/단계 수가 너무 많음","tooComplicatedTooManySteps","thumb-down"],["오래됨","outOfDate","thumb-down"],["번역 문제","translationIssue","thumb-down"],["샘플/코드 문제","samplesCodeIssue","thumb-down"],["기타","otherDown","thumb-down"]],["최종 업데이트: 2025-07-27(UTC)"],[[["This module focuses on preparing numerical data, such as temperature or weight, for use in machine learning models."],["Machine learning practitioners spend significant time on data preparation tasks like cleaning and transformation."],["The module covers techniques like feature scaling, outlier detection, and binning to improve data quality for model training."],["Learners should have a basic understanding of machine learning concepts before starting this module."],["Categorical data, like postal codes, will be addressed in a separate module due to its distinct characteristics and handling requirements."]]],[]]
