데이터 탐색과 시각화

데이터를 어떻게 시각화할까?

데이터를 시각화하여 나타내는 방법은 막대, 선, 점 등 다양합니다.

STEP1 문제 정의 STEP2 데이터 수집 STEP3 데이터 전처리 STEP4 유형·알고리즘 선정 STEP5 모델 생성 STEP6 성능 평가

데이터 시각화(Data Visualization)란?

한 해 동안 날마다 적은 기온 기록은 숫자가 365개입니다. 이 표를 위에서부터 읽어서는 여름이 언제 가장 더웠는지 금방 말하기 어렵습니다. 같은 숫자를 선 하나로 이어 그리면 오르내리는 모양이 한눈에 보입니다. 이렇게 데이터를 막대·선·점 같은 그림으로 옮겨 숫자로는 안 보이던 흐름을 드러내는 일이 데이터 시각화입니다.

핵심 요소

데이터 시각화

데이터가 가지는 의미를 그래프 등으로 표현하여 해석하는 방법

시각화 방법

막대, 선, 점(산점도), 워드 클라우드 등 목적에 맞는 다양한 형태 활용

시각화의 활용

기계학습에 필요한 핵심 속성을 파악하는 데 유용하게 활용

속성의 유형에 따라 어울리는 그래프가 다릅니다

속성은 크게 수치형(더하고 평균을 내는 것이 뜻을 갖는 값)과 범주형(갈래를 나타내는 값)으로 나눌 수 있습니다. 그래프를 고를 때는 어떤 유형의 속성을 몇 개 놓고 볼 것인지를 먼저 정합니다. 아무 그래프에나 아무 속성을 넣으면 보이는 그림은 나오지만 읽을 수 있는 것이 없습니다.

알고 싶은 것	놓고 보는 속성	어울리는 그래프
갈래끼리 크기 비교	범주형 하나 + 수치형 하나	막대그래프 — 지역별 강수량, 반별 평균 기록
시간에 따른 변화	시간 + 수치형 하나	선그래프 — 월별 기온, 일별 방문자 수
두 속성이 함께 움직이는지	수치형 둘	산점도 — 키와 몸무게, 독서 시간과 성적
한 속성의 값이 어디에 몰려 있는지	수치형 하나	히스토그램 · 상자 그림 — 우리 반 키 분포
글 속에서 자주 나온 말	글(비정형) 하나	워드 클라우드 — 설문의 서술형 답변

히스토그램과 상자 그림은 「한 속성의 값은 어디에 몰려 있을까?」 절에서 자세히 다룹니다.

데이터가 표의 숫자로만 있으면 눈에 들어오지 않던 것이 그림으로 그리면 드러납니다. 다만 양이 많다고 저절로 잘 보이는 것은 아닙니다. 점이 수천 개면 산점도는 까맣게 뭉쳐 오히려 아무것도 읽히지 않으므로, 그럴 때는 구간으로 묶거나 일부만 뽑아 그립니다. 날씨 데이터는 기상청 기상자료개방포털 data.kma.go.kr에서 내려받을 수 있습니다.

스스로 확인

학교 축제 부스 다섯 곳의 하루 방문자 수를 서로 비교하려고 합니다. 놓고 보는 속성은 무엇과 무엇이고, 어떤 그래프가 어울릴까요?

막대그래프와 선그래프

막대그래프와 선그래프는 각각 어떤 데이터를 보여 줄 때 알맞을까?

목적에 따라 막대그래프와 선그래프를 구분하여 사용합니다.

막대그래프

Bar Chart

상대적인 크기를 비교하여 알아보기에 적합합니다.
항목 간 값의 차이를 막대 높이로 한눈에 비교할 수 있습니다.

활용 예시

서울과 제주의 월별 강수량 비교

선그래프

Line Chart

데이터의 시간에 따른 변화 추이를 파악할 때 유용합니다.
시간 흐름에 따른 값의 증가·감소를 직관적으로 확인합니다.

활용 예시

학교 누리집 방문자 수 변화 추이 파악

서울·제주 지역의 월별 강수량

이 그림에서는 서울은 8월에, 제주는 9월에 강수량이 가장 많았음을 막대그래프로 쉽게 확인할 수 있습니다. (막대의 값은 수업에서 원리를 확인하려고 지어낸 값입니다.)

월별 강수량 (단위: mm)

서울

제주

1월

2월

3월

4월

5월

6월

7월

8월★

9월★

10월

11월

12월

★ 표시는 각 지역 강수량 최다 월

지역	1월	2월	3월	4월	5월	6월	7월	8월	9월	10월	11월	12월
서울	60	53	16	17	112	140	270	400	181	51	120	4
제주	116	29	81	82	20	225	184	140	400	13	28	29

학교 누리집 하루 방문자 수 (3월 ~ 6월)

선그래프로 나타내면 4월 들어 방문자가 갑자기 늘었다가 서서히 줄어든 흐름이 한눈에 보입니다.

학교 누리집 하루 방문자 수 (단위: 명)

선의 값은 수업에서 원리를 확인하려고 지어낸 값입니다.

어떤 그래프를 선택할까?

막대그래프 선택 기준

항목 간 크기를 비교할 때
범주별 값의 차이를 강조할 때
지역별·월별 강수량 비교

선그래프 선택 기준

시간에 따른 변화 추이를 볼 때
지난 흐름을 보고 앞으로를 가늠해 볼 때
누리집 하루 방문자 수 변화

스스로 확인

한 학생이 반별 체육복 주문 수를 선그래프로 그렸습니다. 1반과 2반의 점을 잇는 선은 무엇을 뜻하게 될까요? 어떤 그래프로 바꾸는 편이 좋을까요?

산점도 (Scatter Plot)

두 속성 사이의 관계는 그래프에서 어떻게 드러날까?

데이터 속성 간의 관계(상관관계)를 시각화하는 대표적인 방법입니다.

산점도란?

x축과 y축 두 값이 만나는 위치에 점을 표시하여 두 축 간의 관계를 나타내는 방법입니다. 두 값이 함께 움직이는 정도와 이상치(outlier) 등을 확인할 수 있으며, 기계학습에서 독립 변수와 종속 변수의 관계를 파악하는 데 적절합니다.

이상치(outlier)란?

다른 값들이 모여 있는 범위에서 혼자 멀리 떨어져 있는 값을 말합니다. 산점도에서는 대부분의 점이 이루는 흐름과 동떨어져 찍힌 점이 이상치입니다.

이상치가 곧 잘못된 값이라는 뜻은 아닙니다. 입력을 잘못해서 생긴 값일 수도 있지만, 실제로 그런 일이 있었기 때문에 남은 값일 수도 있습니다. 폭우가 쏟아진 날의 강수량, 키가 아주 큰 운동선수의 기록이 그렇습니다. 그래서 이상치는 찾아낸 다음에 어떻게 할지를 따로 판단해야 하며, 여기서는 찾아내는 데까지만 합니다.

실습 사례 — 산점도로 이상치 찾기 (학교 텃밭 관찰 기록)

학교 텃밭에서 상추를 기르며 날마다 잎 길이를 측정해 적었다고 합시다. 오렌지(Orange) 프로그램의 Scatter Plot 위젯으로 x축을 「관찰 날짜」, y축을 「잎 길이」로 지정하면 점들이 대체로 오른쪽 위로 이어지는 흐름이 보입니다. 그런데 어느 하루만 잎 길이가 0.0 cm로 뚝 떨어져 찍혀 있다면, 그 점은 흐름에서 동떨어진 이상치입니다. 자라던 상추가 하루 만에 사라졌을 리는 없으니 적는 과정에서 빠뜨렸을 가능성이 큽니다. 날짜 순서대로 찍은 산점도라서, 흐름에서 벗어난 점이 더 잘 보입니다.

어떤 속성이 국어 성적과 함께 움직일까?

한 학급의 설문 기록에서 하루 독서 시간과 하루 스마트폰 사용 시간이 각각 국어 성적과 어떤 관계를 보이는지 산점도로 비교합니다. (점의 위치는 수업에서 원리를 확인하려고 지어낸 값입니다.)

(a) 하루 독서 시간 × 국어 성적

상관관계 높음 — 독서 시간이 긴 학생일수록 국어 성적도 높은 편입니다. 흐름에서 벗어난 점이 적어 패턴이 뚜렷합니다.

(b) 하루 스마트폰 사용 시간 × 국어 성적

상관관계 낮음 — 점들이 넓게 흩어져 있어 함께 움직이는 흐름이 잘 보이지 않습니다. 사용 시간이 아주 짧으면서 성적도 유난히 높은 이상치도 눈에 띕니다.

국어 성적과 함께 움직이는 정도가 더 뚜렷한 쪽은 독서 시간입니다. 그래서 국어 성적을 가늠하는 근거로 삼을 속성(독립 변수)을 고른다면 독서 시간이 스마트폰 사용 시간보다 쓸모 있어 보입니다. 산점도는 이렇게 어떤 속성을 남기고 어떤 속성을 뺄지 정하는 데 도움이 됩니다.

함께 움직인다고 해서 한쪽이 다른 쪽을 만든 것은 아닙니다

(a)를 두고 「책을 더 읽으면 국어 성적이 오른다」고 읽고 싶어지지만, 이 그림이 보여 주는 것은 독서 시간이 긴 학생이 국어 성적도 높은 편이라는 사실뿐입니다. 국어를 좋아하는 학생이 책도 많이 읽고 성적도 높은 것일 수도 있고, 조용히 공부할 시간이 넉넉한 형편이 두 값을 함께 끌어올린 것일 수도 있습니다. 무엇이 무엇의 원인인지는 산점도만으로 알 수 없습니다.

그 외의 시각화 — 워드 클라우드

워드 클라우드(word cloud)는 글 속에 자주 나온 낱말일수록 크게 그리는 그림입니다. SNS 댓글이나 설문의 서술형 답변처럼 양이 많은 글에서 어떤 말이 많이 나왔는지를 한눈에 볼 수 있습니다.

다만 크게 보인다는 것은 자주 나왔다는 뜻일 뿐입니다. 축제 소감에 「줄」이 크게 보여도, 줄이 길어서 불편했다는 말인지 줄 서서라도 볼 만했다는 말인지는 그림이 알려 주지 않습니다.

스스로 확인

초등학생들의 키와 신발 크기로 산점도를 그렸더니 점들이 오른쪽 위로 늘어서 있습니다. 이 그림만 보고 「발이 크면 키가 자란다」고 말할 수 있을까요?

한 속성의 값은 어디에 몰려 있을까?

속성이 하나뿐일 때는 어떤 그림을 그릴까?

히스토그램과 상자 그림은 수치형 속성 하나의 분포를 보여 줍니다.

산점도는 속성이 둘이어야 그릴 수 있습니다. 그런데 「우리 반 학생들의 1000 m 기록은 대체로 어느 정도인가」처럼 속성 하나만 놓고 값이 어디에 몰려 있는지를 보고 싶을 때가 있습니다. 이때 값이 흩어져 있는 모양을 분포(distribution)라고 하고, 분포를 보여 주는 대표적인 그림이 히스토그램과 상자 그림입니다.

히스토그램(histogram) — 구간마다 몇 개인지 세어 쌓기

값의 범위를 일정한 폭의 구간으로 나누고, 각 구간에 몇 개가 들어가는지 세어 그 개수만큼 막대를 그립니다. 막대그래프와 생김새가 비슷하지만 쓰임이 다릅니다.

구분	막대그래프	히스토그램
가로축에 놓는 것	범주형 속성의 갈래 (1반, 2반, 3반)	수치형 속성을 자른 구간 (150~155 cm, 155~160 cm)
막대 사이 공백	있음 — 갈래끼리 이어져 있지 않으므로	없음 — 구간이 끊김 없이 이어지므로
막대 순서	바꿔도 됨	바꿀 수 없음 — 값의 크기 순서 그대로
읽어 내는 것	어느 갈래가 더 큰가	값이 어디에 몰려 있고 어디가 비었는가

우리 반 1000 m 달리기 기록의 히스토그램

기록이 6분대에 가장 많이 몰려 있고, 9분대에 혼자 떨어진 학생이 한 명 있다는 것을 표의 숫자를 하나하나 읽지 않고도 알 수 있습니다.

구간을 몇 개로 자르느냐에 따라 같은 데이터도 모양이 달라집니다. 너무 잘게 자르면 울퉁불퉁해서 흐름이 안 보이고, 너무 굵게 자르면 뭉쳐서 차이가 안 보입니다.

상자 그림(box plot) — 다섯 개의 수치로 분포를 요약하기

값을 작은 것부터 큰 것까지 줄 세운 뒤, 그 줄에서 뽑은 몇 개의 위치만으로 분포를 그린 그림입니다. 히스토그램보다 공간을 훨씬 적게 차지해서 여러 집단을 나란히 놓고 비교하기에 좋습니다. 분석 도구에서는 박스 플롯이라는 영어 이름 그대로 쓰기도 합니다.

중앙값 — 줄 세웠을 때 한가운데 있는 값 (상자 안의 진한 세로선)
Q1(제1사분위수) — 앞에서부터 4분의 1 되는 자리의 값 (상자의 왼쪽 변)
Q3(제3사분위수) — 앞에서부터 4분의 3 되는 자리의 값 (상자의 오른쪽 변)
상자의 길이 — 가운데 절반이 차지하는 폭. 짧으면 값들이 몰려 있고, 길면 넓게 퍼져 있습니다.
최솟값 · 최댓값 — 상자 양쪽으로 뻗은 선의 끝 (수염 끝). 이상치를 뺀 나머지 데이터 가운데 가장 작은 값·가장 큰 값입니다.
수염 밖에 따로 찍힌 점 — 이상치

같은 낱말이 두 가지 뜻으로 쓰입니다 — 「최솟값·최댓값」

위 그림은 수염 끝을 「최솟값」·「최댓값」이라고 불렀습니다. 이때의 뜻은 이상치를 뺀 가장 작은 값·가장 큰 값입니다. 그런데 이 두 낱말은 이상치까지 포함한 데이터 전체에서 가장 작은 값·가장 큰 값을 가리킬 때도 쓰입니다. 수염 밖에 이상치가 찍혀 있다면 데이터 전체에서 가장 작은 값은 그 이상치이므로, 두 뜻이 서로 어긋납니다.

이 강의노트에서 상자 그림의 「최솟값·최댓값」은 언제나 이상치를 뺀 값을 뜻합니다. 도구 화면에 Min·Max라고 적혀 있다면 둘 중 어느 뜻인지 그때그때 확인하세요.

더 알아보기: 이상치 기준은 어떻게 정할까

가장 널리 쓰이는 약속은 상자의 길이(Q3 − Q1)를 기준으로 삼는 것입니다. 이 길이를 사분위수 범위라 하고 흔히 IQR로 줄여 씁니다.

아래쪽 이상치 기준 = Q1 − 1.5 × IQR
위쪽 이상치 기준 = Q3 + 1.5 × IQR

이 기준 밖의 값이 이상치입니다. 수염은 이 계산값까지 그대로 뻗지 않고, 기준 안쪽에 있는 데이터 가운데 상자에서 가장 먼 값에서 멈춥니다. 그래서 그림에 그려진 수염 끝은 늘 실제 데이터 값이며, 계산한 이상치 기준과 같거나 그보다 조금 안쪽에 놓입니다.

1.5라는 숫자는 계산으로 나온 것이 아니라 널리 쓰이게 된 관례입니다. 분석 도구에서 이 값을 바꾸면 이상치로 잡히는 개수도 달라집니다.

그림과 숫자는 서로를 대신하지 못합니다

「평균 6분 20초」라는 한 줄만으로는 기록이 6분 언저리에 몰려 있는지, 4분대와 8분대로 나뉘어 있는지 알 수 없습니다. 그림이 그것을 보여 줍니다. 반대로 두 그림의 상자가 「비슷해 보인다」는 눈대중은 사람마다 다르게 읽힙니다. 얼마나 차이 나는지는 숫자로 확인해야 합니다.

시각화와 통계 수치는 어느 한쪽이 다른 쪽을 대신하는 관계가 아니라 서로 채워 주는 관계입니다. 둘을 함께 보는 것이 원칙입니다.

스스로 확인

두 반의 1000 m 기록을 상자 그림으로 나란히 그렸더니 중앙값은 같은데 한 반의 상자만 훨씬 깁니다. 평균이나 중앙값 하나만 보았다면 놓쳤을 두 반의 차이는 무엇일까요?

참고

데이터 시각화로 속성의 역할을 알 수 있을까?

붓꽃 데이터로 산점도를 그려 보면, 품종을 구분하는 데 쓸모 있는 속성과 그렇지 않은 속성이 그림에서 드러납니다.

더 알아보기: 붓꽃 데이터 시각화로 핵심 속성 찾기

붓꽃의 네 속성(꽃받침 길이·너비, 꽃잎 길이·너비)에서 둘씩 골라 산점도를 그리면 여섯 가지 조합이 나옵니다. 그중 가장 차이가 큰 두 그림을 오렌지로 그려 나란히 놓고, 어떤 속성이 품종을 더 잘 구분하는지 봅시다.

품종 범례: Iris-setosa Iris-versicolor Iris-virginica

(a) 꽃받침 길이 × 꽃받침 너비

일부만 구분

꽃받침 속성만으로는 세 가지 붓꽃 품종이 분명하게 구분되지 않습니다.

(b) 꽃잎 길이 × 꽃잎 너비

구분 잘 됨 ★

꽃잎 속성으로 시각화하면 붓꽃 품종이 뚜렷하게 구분됩니다.

산점도 분석 결론

나머지 네 조합(꽃받침 너비×꽃잎 너비, 꽃잎 길이×꽃받침 길이, 꽃잎 길이×꽃받침 너비, 꽃받침 길이×꽃잎 너비)은 모두 꽃잎 길이나 꽃잎 너비 가운데 하나를 축으로 씁니다. 이 네 그림에서도 세 품종은 대체로 나뉘지만, 꽃잎 두 속성을 함께 쓴 그림만큼 깔끔하지는 않습니다. 그래서 품종을 맞히는 근거로는 꽃잎 길이와 꽃잎 너비가 가장 쓸모 있습니다. 꽃받침 두 속성만으로도 Iris-setosa 무리는 따로 떨어지지만, 나머지 두 품종은 크게 겹쳐 서로 구분하기 어렵습니다.

참고

특성 통계표

속성값의 분포만 보고도 품종을 구분할 수 있을까?

속성값의 분포를 히스토그램으로 나타내어 품종 구분 능력을 확인합니다.

더 알아보기: 특성 통계표와 히스토그램 읽는 법

특성 통계표(Feature Statistics)란?

속성마다 평균·퍼짐 정도·최솟값·최댓값·결측치 수를 한 줄씩 모아 보여 주는 표입니다. 오렌지 프로그램의 Feature Statistics 위젯에서 확인할 수 있습니다. 이 위젯이 수치형 속성의 퍼짐 정도로 보여 주는 값은 표준 편차(값들이 평균에서 흩어진 정도)를 평균으로 나눈 값(변동 계수)이라, 값이 퍼진 폭 자체와는 다릅니다. 한 속성의 값이 어떻게 퍼져 있는지를 막대 모양의 히스토그램으로 크게 보려면 Distributions 위젯을 씁니다.

히스토그램(Histogram)이란?

구간마다 데이터가 몇 개 들어가는지(빈도)를 막대 높이로 나타낸 그림으로, 빈도가 높을수록 막대의 높이가 높아집니다. 주로 데이터의 분포를 표현할 때 사용됩니다. 일반 막대그래프와 달리 막대 사이에 공백이 없습니다.

PetalLength(꽃잎 길이) 특성 통계표

속성명	평균 (Center)	퍼짐 정도 (Dispersion)	최솟값 (Min)	최댓값 (Max)	결측치 (Missing)
PetalLength (꽃잎 길이)	3.759	0.468	1.0	6.9	0 (0%)

PetalLength 분포 히스토그램 (품종별 색상)

Iris-setosa (1.0~1.9)

Iris-versicolor (3.0~5.1)

Iris-virginica (4.5~6.9)

1.0

1.6

2.2

2.8

3.4

4.0

4.5

5.1

5.7

6.3

가로축: 꽃잎 길이 범위 | 세로축: 해당 범위에 속하는 데이터 빈도

특성 통계표 해석

꽃잎 길이로 품종 구분하기 쉬운 이유

Iris-setosa: 꽃잎 길이 가장 짧음 (1.0~1.9cm)
Iris-versicolor: 중간 (3.0~5.1cm)
Iris-virginica: 가장 긺 (4.5~6.9cm)

주의: 약간 겹치는 구간 존재

4.5~5.1 cm 구간에는 Iris-versicolor와 Iris-virginica가 섞여 있어 이 구간에서는 꽃잎 길이만으로 완벽하게 구분하기 어렵습니다.

결측치(Missing Value)란?

데이터에서 누락된 값을 말합니다. 특성 통계표에서 결측치 0(0%)은 해당 속성에 누락된 데이터가 없다는 의미입니다. 결측치가 있으면 기계학습에 쓰기 전에 처리해야 합니다.

오렌지(Orange) 프로그램으로 데이터 시각화 실습하기

코딩 없이 데이터를 분석하려면 어떤 도구를 쓸 수 있을까?

오렌지(Orange)는 코드를 쓰지 않고 데이터를 불러와 그림을 그리고 기계학습 모델까지 만들어 볼 수 있는 프로그램입니다.

오렌지 프로그램이란?

오렌지에서는 코드 대신 기능 상자를 화면에 놓고 선으로 이어 분석 과정을 만듭니다. 이 기능 상자를 위젯(widget), 위젯을 이어 만든 흐름을 워크플로(workflow)라고 부릅니다. 파일을 여는 위젯에서 산점도를 그리는 위젯으로 선을 하나 그으면, 불러온 표가 곧바로 그림이 됩니다.

붓꽃 데이터 시각화 실습 4단계

1

오렌지 프로그램 설치

오렌지(orangedatamining.com) 웹 사이트에서 프로그램을 다운로드하여 설치합니다.

2

File 위젯으로 데이터 불러오기

Data 목록에서 File 위젯을 캔버스에 드래그하여, 캐글에서 다운로드한 붓꽃 데이터 파일(Iris.csv)을 불러옵니다.

3

속성 역할 설정

File 위젯을 더블 클릭하여 각 속성의 역할을 설정합니다.

feature: 꽃받침·꽃잎 길이/너비 target: Species(품종) meta: Id(일련번호)

4

Data Table로 데이터 확인 후 Scatter Plot 연결

Data Table 위젯으로 속성값을 확인한 뒤, Scatter Plot 위젯을 연결하여 x축·y축 속성을 선택하고 품종별로 다른 색으로 시각화합니다.

오렌지에서 데이터 속성의 역할

역할	영문명	설명	붓꽃 데이터 예시
속성	feature	예측의 근거로 삼는 독립 변수의 값	꽃받침·꽃잎 길이/너비
목표	target	종속 변수, 곧 예측하고자 하는 결괏값	Species (품종)
메타	meta	예측에는 쓰지 않지만 표에 남겨 두고 볼 값	Id (일련번호)
무시	skip	분석에 아예 쓰지 않을 값에 줌. 데이터 테이블에서 보이지 않음	—

일련번호는 meta로 설정하면 데이터 테이블에서도 확인할 수 있습니다. skip으로 설정하면 테이블에서 사라집니다.

스스로 확인

선풍기 판매 기록(기록 번호·날짜의 기온·판매량)을 오렌지로 불러와 기온으로 판매량을 가늠하려 합니다. 세 속성에 각각 feature·target·meta 가운데 어떤 역할을 주면 좋을까요?

핵심 정리

시각화 방법

막대그래프: 상대적 크기 비교
선그래프: 시간에 따른 변화 추이
산점도: 속성 간 관계·상관관계
히스토그램·상자 그림: 속성 하나의 분포
워드 클라우드: 글 속에서 자주 나온 낱말
상자 그림의 「최솟값·최댓값」은 이상치를 뺀 값이라, 이상치가 있으면 데이터 전체의 극값과 다름

붓꽃 데이터 시각화

꽃잎(PetalLength/Width) → 품종 구분에 더 유리
꽃받침 두 속성만으로는 setosa만 따로 떨어짐
특성 통계표로 분포 추가 분석

시각화와 기계학습

시각화 → 핵심 속성(독립 변수) 발견
함께 움직이는 정도가 뚜렷한 속성이 근거로 삼기에 쓸모 있음
다만 함께 움직인다 ≠ 한쪽이 원인
그림과 통계 수치는 서로 채워 주는 관계
오렌지 프로그램으로 시각화 실습 가능

확인 퀴즈

배운 내용을 확인해 봅시다.

Q1

다음 중 선그래프를 사용하기에 가장 적합한 경우는?

Q2

산점도(Scatter Plot)에 대한 설명으로 옳은 것은?

Q3

붓꽃 데이터의 산점도를 통해 확인한 결과, 붓꽃 품종 구분에 더 중요한 속성은 무엇인가?

Q4

오렌지 프로그램에서 기계학습 모델이 예측해야 하는 종속 변수에 해당하는 속성 역할은?

Q5

상자 그림에서 상자 양쪽으로 뻗은 선의 끝(수염 끝)을 「최솟값·최댓값」이라고 부릅니다. 이에 대한 설명으로 옳은 것은?