ㅁ 주요 기법

ㅇ 정의:
비지도 학습에서 데이터를 저차원 공간으로 변환하여 주요 패턴을 추출하는 기법. 데이터의 분산을 최대화하는 방향으로 축을 설정.

ㅇ 특징:
– 데이터의 차원을 축소하여 시각화 및 분석에 유용.
– 주성분을 선택하여 데이터의 주요 정보를 보존.
– 선형 변환 기반으로 작동하며, 입력 데이터의 스케일에 민감.

ㅇ 적합한 경우:
– 데이터의 차원이 높아 분석이 어려운 경우.
– 데이터의 주요 구조를 파악하고자 할 때.
– 노이즈 제거를 통해 데이터의 품질을 개선하고자 할 때.

ㅇ 시험 함정:
– PCA는 비지도 학습이므로 라벨이 필요 없다는 점을 혼동할 수 있음.
– 데이터의 스케일링을 하지 않으면 결과가 왜곡될 수 있음.
– 주성분의 개수 선택이 결과에 큰 영향을 미친다는 점을 간과할 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
1. PCA는 데이터를 저차원으로 변환하기 위해 주성분을 선택한다. (O)
2. PCA는 데이터를 분류하기 위해 사용된다. (X)
3. PCA는 데이터의 분산을 최소화하는 방향으로 축을 설정한다. (X)
4. PCA는 비지도 학습의 대표적인 기법이다. (O)

ㅁ 추가 학습 내용

PCA(주성분 분석)는 데이터의 차원을 축소하여 복잡한 데이터를 단순화하고 주요 정보를 추출하는 데 사용됩니다. 시험 대비를 위해 PCA의 응용 사례와 관련된 실제 사례 및 PCA와 다른 차원 축소 기법 간의 차이점을 다음과 같이 정리합니다.

1. PCA의 응용 사례:
– **얼굴 인식**: 얼굴 이미지를 고유 벡터(eigenfaces)로 표현하여 데이터의 차원을 줄이고 얼굴 패턴을 비교하는 데 사용됩니다. PCA를 통해 이미지의 주요 특징을 추출하여 저장 공간을 절약하고 계산 효율성을 높일 수 있습니다.
– **이미지 압축**: 고해상도 이미지를 낮은 차원으로 변환하여 저장 공간을 줄이는 데 활용됩니다. PCA를 통해 중요 정보만 유지하면서 불필요한 데이터를 제거하여 압축된 이미지 파일을 생성할 수 있습니다.
– **데이터 시각화**: 고차원 데이터를 2D 또는 3D로 축소하여 시각적으로 표현합니다. PCA를 사용하면 데이터의 주요 패턴과 클러스터를 쉽게 식별할 수 있습니다.

2. 실제 사례:
– **의료 데이터 분석**: 환자의 건강 기록과 유전자 데이터와 같이 고차원 데이터를 PCA로 축소하여 질병 진단에 중요한 특징을 도출할 수 있습니다.
– **금융 데이터 분석**: 주식 시장의 다양한 변수(예: 거래량, 가격 변동)를 PCA로 축소하여 시장의 주요 동향을 파악하는 데 사용됩니다.
– **자연 언어 처리**: 텍스트 데이터에서 단어 임베딩을 PCA로 축소하여 문서 간의 유사성을 분석하거나 클러스터링에 활용할 수 있습니다.

3. PCA와 다른 차원 축소 기법 간의 차이점:
– **PCA**: 선형 변환을 사용하며 데이터의 분산을 최대화하는 방향으로 축을 찾습니다. 계산 속도가 빠르고 데이터의 주요 구조를 유지하는 데 적합합니다. 데이터의 분산을 기반으로 차원을 축소하기 때문에 비선형 구조를 잘 포착하지 못할 수 있습니다.
– **t-SNE**(t-Distributed Stochastic Neighbor Embedding): 비선형 차원 축소 기법으로, 데이터의 국소적 구조를 보존하는 데 초점을 둡니다. 데이터의 클러스터링과 시각화에 적합하지만 계산 비용이 높고 대규모 데이터에 적용하기 어렵습니다.
– **LDA**(Linear Discriminant Analysis): 클래스 간의 분리를 최대화하는 방향으로 축을 찾는 기법입니다. 주로 분류 문제에서 사용되며, 클래스 레이블이 필요한 지도 학습 방법입니다. PCA와 달리 데이터의 분산이 아닌 클래스 간의 차이를 강조합니다.

시험 대비를 위해 위 내용을 숙지하고 응용 사례에 대한 구체적인 예시를 이해하며, PCA와 다른 차원 축소 기법의 차이점을 명확히 비교하는 연습을 하는 것이 중요합니다.