[빅분기 실기] 2유형 (4) 회귀분석 완벽 정복 (Python 랜덤포레스트 팁 예측)

빅데이터분석기사 실기 시험의 핵심인 제2유형, 그중에서도 회귀분석(Regression) 문제를 대비하기 위한 실전 가이드입니다. Seaborn의 Tips 데이터셋을 활용하여 데이터 탐색(EDA)부터 전처리, 모델링, 성능 평가, 그리고 최종 결과 제출까지의 전 과정을 파이썬 코드로 상세히 설명합니다. R2 score와 MSE를 극대화하는 랜덤포레스트 모델 구현법을 지금 바로 확인하세요!

---

안녕하세요 데이터분석 마스터 박박사입니다.

빅데이터분석기사 실기 제2유형은 배점이 40점이나 되는 매우 중요한 항목입니다. 특히 회귀 문제는 수치형 예측력을 평가하며, 데이터 전처리 능력과 적절한 평가 지표 산출이 합격의 당락을 결정합니다. 오늘은 레스토랑 방문객 정보를 바탕으로 '팁(Tip)' 금액을 예측하는 회귀 모델을 만들어 보겠습니다.

---

빅데이터 분석 실기 5단계 프로세스

시험장에서 당황하지 않으려면 아래 5단계 순서를 반드시 기억해야 합니다.

1. 라이브러리 및 데이터 확인
2. 데이터 탐색 (EDA)
3. 데이터 전처리 및 분리
4. 모델링 및 성능 평가
5. 예측값 제출

---

1. 라이브러리 및 데이터 확인

먼저 분석에 필요한 기초 라이브러리를 임포트하고 시험 환경과 동일한 형태의 데이터셋을 설정합니다.

Python

 

import pandas as pd
import numpy as np
import seaborn as sns
from sklearn.model_selection import train_test_split

# 실기 시험 데이터셋 설정 (수정 금지 영역)
df = sns.load_dataset('tips')
x = df.drop(['tip'], axis=1)
y = df['tip']

# 실제 시험과 유사한 환경을 위해 데이터를 나눕니다.
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=2023)

# 인덱스 초기화 및 cust_id 생성 (시험 환경 모사)
x_test = pd.DataFrame(x_test.reset_index())
x_train = pd.DataFrame(x_train.reset_index())
y_train = pd.DataFrame(y_train.reset_index())

x_test.rename(columns={'index':'cust_id'}, inplace=True)
x_train.rename(columns={'index':'cust_id'}, inplace=True)
y_train.columns = ['cust_id', 'target']

[해설] 시험 환경에서는 x_train.csv, x_test.csv 등의 파일로 제공됩니다. 여기서는 cust_id라는 고유 식별자를 만들어 실제 시험과 동일한 데이터 구조를 갖추었습니다.

---

2. 데이터 탐색 (EDA)

데이터를 받으면 가장 먼저 구조와 결측치를 파악해야 합니다.

Python

 

# 데이터 크기 확인
print(x_train.shape, x_test.shape)

# 상위 데이터 확인
print(x_train.head(3))

# 변수 타입 및 결측치 확인
print(x_train.info())

# 기초 통계량 확인
print(x_train.describe().T)
print(x_train.describe(include='category')) # 범주형 변수 확인

[해설]

• info()를 통해 object나 category 타입의 변수를 확인합니다. 이 변수들은 나중에 원핫인코딩(One-Hot Encoding) 처리가 필요합니다.
• describe()를 통해 수치형 데이터의 스케일과 이상치 존재 여부를 가늠합니다.

---

3. 데이터 전처리 및 분리

모델의 성능을 높이기 위해 불필요한 컬럼을 제거하고 범주형 데이터를 수치로 변환합니다.

Python

 

# 1) 불필요한 변수 제거
# cust_id는 예측에 도움이 되지 않으므로 제거하되, 제출용으로 test의 id는 따로 보관합니다.
cust_id = x_test['cust_id'].copy()
x_train = x_train.drop(columns=['cust_id'])
x_test = x_test.drop(columns=['cust_id'])

# 2) 범주형 변수 처리 (원핫인코딩)
x_train = pd.get_dummies(x_train)
x_test = pd.get_dummies(x_test)

# 3) 데이터 분리 (훈련용 vs 검증용)
# 모델 성능을 검증하기 위해 train 데이터를 다시 8:2로 나눕니다.
x_train, x_val, y_train, y_val = train_test_split(
    x_train, y_train['target'], test_size=0.2, random_state=23
)

[해설]

• pd.get_dummies()는 문자열 데이터를 0과 1로 변환해주어 모델이 학습 가능하게 만듭니다.
• 검증 데이터(Validation Set)를 분리하는 이유는 제출 전 내 모델의 성능(R2, MSE)을 미리 확인하기 위함입니다.
•  

---

4. 모델링 및 성능 평가

회귀 문제에서 가장 범용적으로 쓰이는 **랜덤포레스트 회귀(RandomForestRegressor)**를 사용합니다.

Python

 

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import r2_score, mean_squared_error

# 모델 학습
model = RandomForestRegressor(random_state=2023)
model.fit(x_train, y_train)

# 검증 데이터를 통한 예측 및 평가
y_pred = model.predict(x_val)

r2 = r2_score(y_val, y_pred)
mse = mean_squared_error(y_val, y_pred)
rmse = mse**0.5

print(f"MSE: {mse:.4f}")
print(f"RMSE: {rmse:.4f}")
print(f"R-squared: {r2:.4f}")

[해설]

• R-squared (결정계수): 1에 가까울수록 모델의 설명력이 높음을 의미합니다.
• MSE / RMSE: 예측 오류의 크기를 나타내며 값이 작을수록 정확한 모델입니다. 시험 문제에서 요구하는 평가지표를 확인하고 출력해 보세요.

---

5. 예측값 제출

마지막으로 학습된 모델을 x_test에 적용하여 최종 결과를 파일로 저장하는 단계입니다.

Python

 

# 최종 테스트 데이터 예측
y_result = model.predict(x_test)

# 제출 양식 만들기 (cust_id, target)
result = pd.DataFrame({'cust_id': cust_id, 'target': y_result})

# 결과 확인 및 저장
print(result.head())
# result.to_csv('result.csv', index=False) # 실제 시험 시 주석 해제하여 저장

[해설] 반드시 x_test 데이터를 모델에 넣어야 하며, 처음에 복사해둔 cust_id와 예측값(y_result)의 행 개수가 일치해야 합니다. index=False 옵션을 잊지 마세요!

---

마무리하며

빅분기 실기 제2유형 회귀분석은 **[데이터 탐색 -> 전처리 -> 모델링 -> 제출]**의 흐름만 익히면 충분히 만점을 받을 수 있습니다. 특히 랜덤포레스트는 하이퍼파라미터 튜닝 없이도 기본 성능이 훌륭하므로 시험에서 적극 활용하시기 바랍니다.

여러분의 합격을 기원합니다!

---

 

 

https://intjpark.tistory.com/55

[빅분기 실기] 1유형 데이터 다루기 마스터하기

https://intjpark.tistory.com/56

[빅분기 실기] 1유형 데이터 다루기 마스터하기 (2) - 필터링, 정렬, 조건부 수정

https://intjpark.tistory.com/58

[빅분기 실기] 1유형 데이터 다루기 마스터하기 (3) - 결측치, 이상치, 중복값 완벽하게 처리하기

https://intjpark.tistory.com/60

[빅분기 실기] 1유형 데이터 다루기 마스터하기 (4) 데이터 스케일링, 결합, 그리고 날짜 데이터

https://intjpark.tistory.com/61

[빅분기 실기] 2유형 데이터 전처리, EDA, 모델선정

https://intjpark.tistory.com/62

[빅분기 실기] 2유형 모델링 및 성능평가, 예측값 제출

https://intjpark.tistory.com/64

[빅분기 실기] 제2유형 회귀 분석 완벽 정복! 당뇨병 데이터 예측 및 모델 평가 (RandomForest)