예시 답변 1
약 65초
경험 기반 구체화
피처 엔지니어링을 수행할 때 저는 데이터 탐색(EDA)에서 발견한 패턴을 출발점으로 삼습니다. 어떤 변수가 타겟과 상관관계가 높은지, 어떤 조합이 의미 있는 신호를 만드는지를 먼저 파악하고 피처를 만듭니다. 가장 자주 쓰는 방법은 범주형 변수 인코딩인데, 단순 Label Encoding이 순서 관계를 잘못 전달할 수 있어서 One-Hot Encoding과 Target Encoding 중 어떤 것을 쓸지 데이터 특성에 맞게 결정합니다. 또 시계열 데이터에서는 이동 평균, 시차(lag), 주기별 통계 같은 시간 의존 피처를 만드는 것이 모델 성능에 큰 영향을 미칩니다. 피처 선택에서는 중요도 낮은 피처를 제거하는 것도 중요한데, 불필요한 피처는 노이즈를 더해 오히려 성능을 낮출 수 있습니다. 피처 엔지니어링은 도메인 이해가 깊을수록 더 의미 있는 피처를 만들 수 있다는 것을 학교 실습에서 경험했습니다.
이 결의 특징
데이터 분석에서 EDA에서 발견한 패턴을 출발점으로 타겟과 상관관계가 높은 변수와 의미 있는 조합을 먼저 파악하고 피처를 만들며, 범주형 변수 인코딩에서 Label Encoding이 순서 관계를 잘못 전달할 수 있어 One-Hot과 Target Encoding 중 데이터 특성에 맞게 결정하고, 시계열에서는 이동 평균·시차·주기별 통계 같은 시간 의존 피처를 만드는 것이 성능에 큰 영향을 미친다는 흔적이 있습니다.
이 결이 통하는 자리
EDA 기반 피처 선택, 인코딩 선택 기준, 시계열 피처까지 이어진 구체적 접근이 설명될 때 통합니다. 도메인 이해가 깊을수록 의미 있는 피처가 나온다는 결이 살아 있는 자리에서 면접관의 꼬리질문이 줄어드는 결이 보입니다.