330. 더미 변수 (Dummy Variable)

핵심 인사이트 (3줄 요약)

본질: 더미 변수(Dummy Variable)는 회귀 분석이나 머신러닝 모델이 계산할 수 없는 글자(범주형 데이터, 예: 남/여, 봄/여름/가을/겨울)를 0과 1이라는 숫자로 변환해 주는 데이터 전처리(인코딩) 기법이다.

가치: "사과, 바나나, 포도"에 단순히 1, 2, 3이라는 숫자를 부여하면 모델이 "사과(1) + 바나나(2) = 포도(3)"라는 잘못된 크기(서열) 관계를 학습하는 대참사를 막아주고, 각 과일의 순수한 독립적 영향을 평가할 수 있게 해준다.

판단 포인트: 카테고리가 N개일 때 N개의 더미 변수를 모두 만들면 무조건 다중 공선성(더미 변수 함정) 에 빠지므로, 모델에 넣을 때는 반드시 하나를 뺀 'N-1'개의 변수만 넣어야 한다는 것이 회귀 설계의 절대 철칙이다.

Ⅰ. 개요 및 필요성

인공지능과 통계 알고리즘은 오직 숫자만 먹고 자라는 수학적 엔진이다. 나이나 키처럼 원래부터 연속적인 숫자인 데이터(수치형 데이터)는 그대로 넣으면 되지만, 성별, 계절, 주소지 같은 범주형(Categorical) 데이터는 글자 형태라 컴퓨터가 계산할 수 없다.

처음에는 이를 해결하려고 단순히 봄=1, 여름=2, 가을=3, 겨울=4라고 숫자를 매겼다(Label Encoding). 그러나 컴퓨터는 '봄보다 겨울이 4배 더 크다' 혹은 '여름과 가을을 평균 내면 봄과 겨울 사이다'라는 어이없는 수학적 오해를 일으켰다. 이 치명적인 크기 왜곡을 막기 위해, "해당 속성이면 1, 아니면 0"이라는 스위치를 여러 개 달아주는 원-핫 인코딩(One-Hot Encoding) 방식의 더미 변수가 탄생했다.

📢 섹션 요약 비유: 혈액형을 입력할 때 A형을 1점, B형을 2점 주면 B형이 2배 훌륭한 혈액형이라는 엉뚱한 차별이 생긴다. 그래서 "너 A형이야?(Yes/No)", "너 B형이야?(Yes/No)"라는 독립된 질문(스위치)들로 질문지를 쪼개는 작업이다.

Ⅱ. 아키텍처 및 핵심 원리

더미 변수를 생성하는 원리와, 회귀식에 들어갔을 때 어떻게 작동하는지를 살펴보자.

┌────────────────────────────────────────────────────────┐
│             [ 범주형 데이터의 더미 변수 변환 원리 ]            │
├────────────────────────────────────────────────────────┤
│ 1. 원본 데이터: [ 계절 ]                                │
│    - 봄, 여름, 가을, 겨울 (N = 4개의 카테고리)              │
│                                                        │
│ 2. 더미 변수화 (One-Hot Encoding)                       │
│    - D1 (봄인가?)  : 봄=1, 나머지=0                     │
│    - D2 (여름인가?): 여름=1, 나머지=0                   │
│    - D3 (가을인가?): 가을=1, 나머지=0                   │
│    - D4 (겨울인가?): 겨울=1, 나머지=0                   │
│                                                        │
│ 3. 더미 변수 함정 (Dummy Variable Trap) 회피            │
│    - 봄, 여름, 가을이 모두 0이면 '무조건' 겨울이다!         │
│    - 즉, D4는 불필요한 중복 정보(다중 공선성)이므로 삭제함    │
│    - 최종 모델 삽입 변수: N-1개 (D1, D2, D3)             │
└────────────────────────────────────────────────────────┘

N-1 법칙 (자유도): 회귀 분석(선형 모델)에서 범주가 $N$개일 때, 더미 변수는 반드시 $N-1$개만 사용해야 한다. 하나를 빼지 않으면 변수들 간의 합이 항상 1이 되어 수학적으로 완전한 선형 종속(다중 공선성)이 발생하고 역행렬 연산이 터져버린다.
기준(Baseline) 변수: 모델에서 삭제된 그 1개(위 예시의 겨울)는 회귀 분석의 '기준점'이 된다. 즉, 회귀식을 풀었을 때 D1(봄)의 회귀 계수는 "겨울과 비교했을 때 봄의 매출이 얼마나 높은가?"를 의미하는 상대적인 가중치로 해석된다.

📢 섹션 요약 비유: 신호등(빨강, 노랑, 초록)의 상태를 알기 위해 굳이 센서 3개를 달 필요가 없다. 빨간불 센서와 노란불 센서가 둘 다 꺼져 있다면, 안 봐도 무조건 초록불이라는 걸 알 수 있기 때문에 센서는 2개(N-1)면 충분하다.

Ⅲ. 비교 및 연결

문자열 데이터를 숫자로 바꾸는 3대 인코딩 기법을 비교하면 더미 변수(원-핫)의 포지션이 명확해진다.

비교 항목	더미 변수 (One-Hot Encoding)	라벨 인코딩 (Label Encoding)	타겟 인코딩 (Target Encoding)
변환 방식	컬럼을 여러 개로 쪼개어 0과 1로 채움	1, 2, 3... 처럼 하나의 컬럼에 순서대로 부여	범주가 가진 정답(Target)의 평균값으로 치환
적용 데이터	순서가 없는 명목형 (성별, 지역, 혈액형)	순서가 있는 서열형 (초/중/고, 금/은/동)	컬럼의 종류(Cardianlity)가 너무 많을 때
모델 적합성	선형 회귀, 신경망(딥러닝)에 필수	랜덤 포레스트 등 트리(Tree) 계열에 좋음	과적합(Data Leakage) 위험 높아 주의 필요
치명적 단점	차원의 저주 (컬럼 수가 수백 개로 폭발)	숫자의 크기를 모델이 서열로 오해함	정답을 미리 컨닝하는 효과 발생

더미 변수화는 데이터 엔지니어링의 기본이지만, 무턱대고 쓰면 안 된다. 만약 '고객의 거주 도시'를 더미 변수화하려는데 전 세계 도시가 10,000개라면, 변수 컬럼이 순식간에 10,000개로 폭발하는 **차원의 저주(Curse of Dimensionality)**를 맞고 모델이 죽어버린다.

📢 섹션 요약 비유: 직급(사원, 대리, 과장)은 숫자의 크기(1, 2, 3)가 의미가 있으니 라벨 인코딩을 써도 되지만, 좋아하는 색깔(빨, 파, 노)은 크기가 없으니 반드시 더미 변수라는 평등한 스위치로 만들어줘야 컴퓨터가 차별하지 않는다.

Ⅳ. 실무 적용 및 기술사 판단

실무 적용 시나리오: 통신사의 이탈 예측 모델을 만들 때, '사용 중인 스마트폰 기종(아이폰, 갤럭시, 기타)'을 더미 변수로 만든다. 이때 '기타'를 기준점(Drop)으로 두고 모델을 돌렸더니 '아이폰' 더미 변수의 회귀 계수가 +2.5가 나왔다면, 경영진에게 "기타 기종 사용자보다 아이폰 사용자가 이탈할 확률(로짓)이 압도적으로 높습니다"라고 명확히 설명할 수 있다.

기술사 판단 포인트 (Trade-off): 기술사는 범주형 데이터 처리 시 **'회귀 모델 vs 트리 모델'**의 아키텍처를 구분하여 인코딩 전략을 짜야 한다.

선형 회귀 / 딥러닝: 반드시 더미 변수(One-Hot)를 쓰고 N-1 법칙을 지켜야 한다. 딥러닝의 경우 차원 폭발을 막기 위해 원-핫 대신 저차원 벡터로 압축하는 임베딩(Embedding) 층을 도입하는 것이 정석이다.
트리 앙상블 (XGBoost, LightGBM): 트리 모델은 변수 간의 크기 관계에 영향을 받지 않고 단지 분류 기준으로만 쪼개기(Splitting) 때문에, 귀찮게 더미 변수를 만들지 않고 그냥 1, 2, 3(라벨 인코딩)으로 줘도 완벽하게 작동한다. 오히려 트리에 원-핫 인코딩을 쓰면 트리가 너무 깊어져 성능이 하락하므로 금기시된다.

📢 섹션 요약 비유: 까다로운 수학 공식(회귀)을 쓰는 요리사에게는 재료를 0과 1로 예쁘게 썰어(더미) 줘야 하지만, 그냥 칼로 반씩 자르는 도축업자(트리 모델)에게는 덩어리째 번호(라벨)만 매겨서 던져줘도 알아서 잘 자른다.

Ⅴ. 기대효과 및 결론

더미 변수는 문자와 숫자의 경계를 허물어, 인문학적이고 정성적인 데이터(성별, 계절, 직업)를 정량적인 통계학의 영역으로 끌어들인 위대한 번역기다. 이 기법 덕분에 인공지능은 단순히 수치 계산을 넘어 인간의 다채로운 사회적 속성까지 분석할 수 있게 되었다.

결론적으로 더미 변수는 데이터 전처리(ETL)의 영원한 핵심 모듈이다. 그러나 오늘날 딥러닝 트렌드는 글자를 0과 1의 멍청한 스위치로 바꾸는 것을 넘어, '단어의 숨겨진 의미'까지 숫자로 맵핑해 내는 밀집 벡터(Dense Vector, 임베딩) 기술로 진화하고 있다. 기술사는 단순한 더미 변수화를 넘어서, 차원의 폭발을 막고 의미 보존하는 최적의 범주형 인코딩 아키텍처를 설계해야 한다.

📢 섹션 요약 비유: 더미 변수가 글자라는 외국어를 컴퓨터가 알아듣는 0과 1이라는 가장 단순한 기초 문법으로 번역해 주었기에, 인공지능이라는 거대한 기계가 사람의 세상을 이해할 수 있는 첫 단추가 끼워졌다.

📌 관련 개념 맵

상위 개념: 데이터 전처리 (Data Preprocessing), 피처 엔지니어링 (Feature Engineering)
하위 개념: 원-핫 인코딩 (One-Hot Encoding), 다중 공선성 (더미 변수 함정)
연결 개념: 라벨 인코딩, 타겟 인코딩, 다중 선형 회귀 (Multiple Linear Regression)

👶 어린이를 위한 3줄 비유 설명

컴퓨터는 "사과, 바나나, 포도" 같은 글자를 못 읽고 오직 숫자만 계산할 수 있어요.
그래서 사과를 1, 바나나를 2라고 주면 컴퓨터가 바나나가 사과보다 2배 더 크다고 바보같이 착각해요.
더미 변수는 과일마다 스위치를 달아주고 "사과 스위치 켜짐(1), 바나나 꺼짐(0)"처럼 만들어서, 컴퓨터가 오해 없이 공평하게 과일을 구별하게 돕는 마법이랍니다!