데이터(Data)란 무엇일까?
우리 주변에는 수많은 데이터가 있습니다. 데이터가 무엇인지, 어떤 종류가 있는지 알아봅시다.
데이터(Data)의 정의
관찰·측정·기록을 통해 모은 값이나 특성을 의미합니다.
숫자와 문자뿐 아니라 이미지, 소리처럼 여러 형태로 존재하며, 인공지능과 기계학습의 핵심 재료가 됩니다.
사람이 남긴 감상평이나 만족도 응답처럼 의견을 적어 둔 기록도 데이터입니다.
그 사람이 그렇게 답했다는 것 자체가 하나의 기록이기 때문입니다.
생활 속 다양한 데이터의 종류
수치 데이터
온도, 키, 몸무게, 점수, 가격 등 숫자로 표현되는 데이터
이미지 데이터
사진, 그림, 영상 등 시각적으로 표현되는 데이터
텍스트 데이터
기사, 리뷰, SNS 게시글, 책 등 문자로 표현되는 데이터
음성 데이터
말소리, 음악, 환경음 등 소리로 표현되는 데이터
오늘 스마트폰으로 남긴 기록 중 세 가지를 떠올려 보세요. 각각 위 네 가지 데이터 종류 가운데 어디에 해당하나요?
데이터 속성(Attribute)이란?
하나의 데이터를 다른 데이터와 구별해 주는 것은 무엇일까?
하나의 데이터는 다른 데이터와 구별되도록 여러 가지 속성을 가집니다.
데이터 속성의 정의
데이터가 갖는 성질로, 하나의 데이터는 다른 데이터와 구별이 가능하도록
여러 가지 속성을 가집니다.
예를 들어 「책」이라는 데이터는 제목, 저자, 출판사, 대출 여부 등 여러 속성으로 구성됩니다.
예시 ① 책 데이터의 속성
도서관의 책 데이터는 제목, 저자, 출판사, 대출 여부 등의 속성을 가집니다. 아래 표에서 각 행(row)이 하나의 책(데이터)이고, 열(column)이 속성입니다.
| 번호 | 제목 | 저자 | 출판사 | 출판 연도 | 대출 여부 |
|---|---|---|---|---|---|
| 1 | 파이썬으로 배우는 인공지능 | 저자 A | 정보출판 | 2022 | 대출 중 |
| 2 | 데이터 과학 입문 | 저자 B | 미래학습사 | 2021 | 대출 가능 |
| 3 | 기계학습 첫걸음 | 저자 C | AI북스 | 2023 | 대출 중 |
| 4 | 수학으로 보는 딥러닝 | 저자 D | 딥북스 | 2020 | 대출 가능 |
각 열의 이름(번호, 제목, 저자, 출판사, 출판 연도, 대출 여부)이 바로 속성(Attribute)입니다. 표의 책과 값은 수업에서 원리를 확인하려고 지어낸 것입니다.
예시 ② 학교 도서관 이용자 데이터의 속성
학교 도서관 이용자 데이터는 이름, 성별, 구분, 학년, 학반 번호, 도서관 이용 횟수, 대출 권 수 등의 속성을 가집니다.
| 이름 | 성별 | 구분 | 학년 | 학반 | 이용 횟수 | 대출 권 수 |
|---|---|---|---|---|---|---|
| 학생 A | 여 | 학생 | 1 | 2 | 12 | 8 |
| 학생 B | 남 | 학생 | 2 | 3 | 5 | 3 |
| 교사 A | 남 | 교사 | — | — | 20 | 15 |
| 학생 C | 여 | 학생 | 3 | 1 | 3 | 2 |
하나의 행(row)은 한 명의 이용자를 나타내며, 각 열(column)은 속성, 칸에 적힌 값은 그 이용자의 속성값입니다. 이 표의 값도 수업에서 원리를 확인하려고 지어낸 값입니다.
해 보기: 문제 해결에 필요한 속성 골라내기
수집한 데이터의 모든 속성이 문제 해결에 다 필요한 것은 아닙니다. 위의 학교 도서관 이용자 데이터(이름, 성별, 구분, 학년, 학반, 이용 횟수, 대출 권 수)를 활용해 「독서량이 많은 학생에게 어울리는 책을 추천하는 기계학습 모델」을 만든다고 할 때, 다음을 정리해 봅시다.
- 수집한 데이터의 속성은 무엇인가요?
- 이 문제 해결에 꼭 필요한 속성은 무엇인가요?
- 반대로 문제 해결과 관련이 적은 속성은 무엇인가요?
음악 앱에 저장된 노래 한 곡을 데이터로 본다면, 이 노래를 다른 노래와 구별해 주는 속성을 세 가지 적어 보세요. 그중 모든 노래가 똑같은 값을 가지는 것이 있다면 구별에 쓸모가 있을까요?
데이터 속성의 유형
속성은 어떤 기준으로 유형을 나눌까?
속성값은 크게 수치형과 범주형으로 나뉘고, 각각 다시 두 갈래로 나눌 수 있습니다.
수치형(numerical) 속성
크기나 양을 나타내는 값이라 더하거나 평균을 내는 것이 뜻을 갖는 속성입니다. 키, 몸무게, 온도, 꽃잎 길이가 여기에 포함됩니다. 숫자형이라고도 부릅니다.
연속형(continuous) — 두 값 사이에 값이 얼마든지 더 있을 수 있는 속성. 키 170cm와 171cm 사이에는 170.4cm가 있습니다. 주로 측정해서 얻습니다.
이산형(discrete) — 이웃한 두 값 사이에 다른 값이 있을 수 없는 속성. 사람 수 1명과 2명 사이에 1.5명은 없습니다. 주로 세어서 얻습니다.
범주형(categorical) 속성
몇 가지 정해진 갈래 가운데 어디에 속하는지를 나타내는 값이라, 더하거나 평균을 내도 뜻이 서지 않는 속성입니다. 성별, 혈액형, 붓꽃의 품종이 여기에 포함됩니다. 질적 데이터라고도 부릅니다.
순위형(ordinal) — 갈래 사이에 앞뒤 순서가 있는 속성. 성적 등급 A·B·C나 만족도 「매우 나쁨」부터 「매우 좋음」까지가 그렇습니다. 순위형이라는 이름 대신 순서형이라고도 합니다.
명목형(nominal) — 갈래 사이에 순서가 없는 속성. 혈액형 A·B·O·AB에는 앞뒤가 없습니다. 이름표로만 쓰이는 값입니다.
숫자로 적혀 있다고 다 수치형은 아닙니다. 학번 10304는 숫자로 적혀 있지만 범주형입니다. 학번을 더하거나 평균을 내는 일에는 아무 뜻이 없기 때문입니다. 헷갈릴 때는 「더하고 평균을 내는 것이 말이 되는가」를 물어보면 구분됩니다. 키와 이용 횟수는 평균이 말이 되지만, 학번과 혈액형은 그렇지 않습니다.
정수로 적혀 있다고 다 이산형인 것도 아닙니다. 나이를 「17세」처럼 정수로만 적더라도, 실제 나이는 17세와 18세 사이를 끊김 없이 흘러갑니다. 17.5세인 사람이 분명히 있습니다. 구분하는 기준은 적힌 모양이 아니라 값 사이에 중간이 있을 수 있는가입니다. 그래서 나이는 보통 연속형으로 봅니다.
더 알아보기: 분석 도구가 화면에 보여 주는 유형 이름
오렌지(Orange)처럼 표를 불러와 분석하는 도구는 파일을 열 때 각 열이 어떤 유형인지 자동으로 알아내 표시해 줍니다. 다만 도구가 붙이는 이름은 위에서 배운 두 갈래와 딱 맞아떨어지지 않고 조금 더 잘게 나뉘어 있습니다.
숫자형
크기나 양을 숫자로 적은 열. 위의 수치형에 해당합니다. 나이, 키, 꽃잎 길이(cm), 이용 횟수가 그렇습니다.
범주형
정해진 몇 갈래 중 하나가 들어가는 열. 성별(남/여), 대출 여부(대출 중/대출 가능), 품종이 그렇습니다.
문자형
글자가 들어가지만 갈래로 묶이지는 않는 열. 값이 거의 다 다릅니다. 책 제목, 이용자 이름이 그렇습니다.
날짜/시간형
날짜나 시각의 형식으로 적힌 열. 앞뒤 순서를 비교할 수 있습니다. 출판 연도, 대출 일시가 그렇습니다.
「범주형」이라는 말이 두 곳에 나와 헷갈릴 수 있습니다. 앞에서 배운 범주형은 값의 성질을 구분하는 이름이고, 여기서는 도구가 열에 붙이는 이름입니다. 뜻은 거의 같지만, 도구는 문자형과 날짜/시간형을 따로 떼어 두었다는 점만 기억하면 됩니다. 속성의 유형에 따라 쓸 수 있는 시각화나 전처리 방법이 달라지므로, 유형을 확인하는 일이 데이터 분석의 첫걸음입니다.
「우편번호」와 「하루 걸음 수」 중 수치형은 어느 쪽일까요? 위에서 배운 「평균을 내는 것이 말이 되는가」로 판단해 보세요. 그리고 수치형인 쪽은 연속형과 이산형 중 어디에 들까요?
붓꽃(Iris) 데이터로 속성 이해하기
실제 데이터 한 벌에서 속성은 어떤 모습으로 나타날까?
기계학습에서 가장 많이 사용되는 데이터셋 중 하나인 붓꽃 데이터를 통해 속성을 살펴봅시다.
붓꽃 데이터셋란?
- 붓꽃(Iris)의 품종과 꽃잎·꽃받침의 크기를 센티미터(cm) 단위로 측정한 데이터
- 총 150개의 데이터 (품종별 50개씩)
- 기계학습 입문자들이 가장 많이 연습하는 표준 데이터셋
- 1930년대에 붓꽃 150송이를 실제로 측정해 정리한 자료(에드거 앤더슨 측정, 로널드 피셔 정리)
번호(Id)를 빼면 속성이 다섯 개뿐이라 표 전체를 눈으로 살펴볼 수 있다는 점이 연습에 좋은 이유입니다. 실제 문제의 데이터는 속성이 수십, 수백 개인 경우가 많습니다.
3가지 품종
붓꽃 데이터의 6가지 속성
각 데이터를 구별하는 고유 번호 (1 ~ 150)
꽃받침(Sepal)의 길이 (단위: cm)
꽃받침(Sepal)의 너비 (단위: cm)
꽃잎(Petal)의 길이 (단위: cm)
꽃잎(Petal)의 너비 (단위: cm)
붓꽃의 품종 (setosa / versicolor / virginica)
붓꽃 데이터 미리보기 (다섯 행 발췌)
| Id | SepalLengthCm | SepalWidthCm | PetalLengthCm | PetalWidthCm | Species |
|---|---|---|---|---|---|
| 1 | 5.1 | 3.5 | 1.4 | 0.2 | Iris-setosa |
| 2 | 4.9 | 3.0 | 1.4 | 0.2 | Iris-setosa |
| 51 | 7.0 | 3.2 | 4.7 | 1.4 | Iris-versicolor |
| 101 | 6.3 | 3.3 | 6.0 | 2.5 | Iris-virginica |
| 150 | 5.9 | 3.0 | 5.1 | 1.8 | Iris-virginica |
각 행은 하나의 붓꽃 데이터이며, 총 150개의 행으로 구성됩니다.
독립 변수와 종속 변수
예측하려는 값과 그 근거가 되는 값은 어떻게 구분할까?
기계학습에서 데이터 속성은 역할에 따라 독립 변수와 종속 변수로 구분됩니다.
독립 변수
Independent Variable
답을 가늠하는 근거로 삼는 속성입니다.
기계학습 모델에 입력(Input)으로 넣어 주는 값입니다.
붓꽃 데이터에서의 독립 변수
종속 변수
Dependent Variable
그 근거를 가지고 맞히려는 속성입니다.
기계학습 모델이 예측(Output)해야 하는 목표값입니다.
붓꽃 데이터에서의 종속 변수
기계학습에서의 역할
독립 변수 (입력)
꽃받침·꽃잎 길이/너비
종속 변수 (출력)
품종 예측 (Species)
기계학습 모델은 독립 변수(꽃의 크기 정보)를 입력받아
종속 변수(품종)를 예측하는 규칙을 스스로 학습합니다.
여러 가지 독립 변수·종속 변수의 예
| 해결할 문제 | 독립 변수 | 종속 변수 |
|---|---|---|
| 활동량에 따른 칼로리 소비량 계산 | 활동량 | 칼로리 소비 |
| 소고기 정보를 바탕으로 등급 판정 | 지방 함량, 지방색, 성숙도, 육색 | 소고기 등급(1+, 1++ 등) |
| 환자의 데이터를 바탕으로 악성 종양 진단 | X-ray 사진, 종양의 크기·두께 | 종양이 악성인지 양성인지 |
| 집의 정보를 바탕으로 적정 집값 계산 | 역세권 여부, 인근 학교 수, 방의 개수, 면적 | 집값 |
이처럼 문제에 따라 독립 변수와 종속 변수로 사용되는 속성은 달라질 수 있습니다. 즉, 똑같은 속성이 어떤 문제에서는 독립 변수였다가 다른 문제에서는 종속 변수가 되기도 합니다.
독립 변수가 곧 「원인」인 것은 아닙니다
독립 변수를 「원인」, 종속 변수를 「결과」라고 외우면 헷갈리는 경우가 생깁니다. 붓꽃 데이터를 보세요. 우리는 꽃받침과 꽃잎의 크기를 독립 변수로, 품종을 종속 변수로 삼았습니다. 그런데 꽃이 커서 그 품종이 된 것은 아닙니다. 오히려 품종이 정해져 있어서 크기가 그렇게 자란 것에 가깝습니다.
두 변수를 구분하는 것은 원인과 결과가 아니라 우리가 무엇을 근거로 삼고 무엇을 맞히려 하는지, 곧 문제를 어떻게 정의했는지입니다. 데이터에서 두 속성이 함께 오르내린다는 사실을 확인했더라도, 그것만으로 한쪽이 다른 쪽을 일으켰다고 말할 수는 없습니다. 인과를 확인하려면 조건을 직접 바꾸어 보는 실험이 따로 필요합니다.
「중고 휴대폰의 사용 기간과 화면 흠집 수로 판매 가격을 가늠한다」에서 독립 변수와 종속 변수는 각각 무엇인가요? 거꾸로 「판매 가격으로 사용 기간을 가늠한다」라면 어떻게 바뀔까요?
핵심 정리
데이터와 데이터 속성
- 데이터: 관찰·측정·기록을 통해 모은 값이나 특성
- 데이터 속성: 하나의 데이터를 다른 데이터와 구별하게 해 주는 성질
- 하나의 데이터는 여러 속성값을 가짐
- 속성 유형: 수치형(연속형·이산형)과 범주형(순위형·명목형)
붓꽃(Iris) 데이터셋
- 150개의 붓꽃 데이터, 3가지 품종
- 속성: Id, 꽃받침 길이/너비, 꽃잎 길이/너비, 품종
- 기계학습 입문용 표준 데이터셋
독립 변수와 종속 변수
- 독립 변수: 답을 가늠하는 근거로 삼는 속성 → 모델의 입력값
- 종속 변수: 그 근거로 맞히려는 속성 → 모델의 예측 대상
- 붓꽃: 꽃 크기(독립) → 품종 예측(종속). 둘을 나누는 것은 원인·결과가 아니라 문제를 어떻게 정의했는지
확인 퀴즈
배운 내용을 확인해 봅시다.
다음 중 「데이터 속성(Attribute)」에 대한 설명으로 가장 알맞은 것은?
붓꽃(Iris) 데이터셋에서 종속 변수(Dependent Variable)는 무엇인가?
학생의 공부 시간을 근거로 시험 성적을 예측하는 모델을 만든다고 할 때, 독립 변수는 무엇인가?