한국어
메뉴

머신러닝의 기초

주성분 분석(PCA)에 대한 설명으로 적절한 것은?

  1. A정답 레이블을 가장 잘 예측할 수 있는 특성을 몇 개 골라내고, 그 밖의 특성은 모두 버려 데이터를 작게 만든다
  2. B데이터를 비슷한 것끼리 같은 그룹이 되도록 미리 정한 수의 그룹으로 나눈다
  3. C데이터의 흩어짐(분산)이 가장 커지는 방향부터 차례로 서로 직교하는 새 축을 구하여, 적은 수의 축으로 데이터를 나타낸다
정답과 해설 보기

정답: C. 데이터의 흩어짐(분산)이 가장 커지는 방향부터 차례로 서로 직교하는 새 축을 구하여, 적은 수의 축으로 데이터를 나타낸다

주성분 분석은 많은 변수를 가진 데이터를 정보를 되도록 잃지 않고 적은 변수로 나타내는, 차원 축소의 대표적인 방법입니다. 데이터의 분산이 가장 커지는 방향을 제1주성분, 그와 직교하는 방향 중 분산이 가장 커지는 방향을 제2주성분과 같이 차례로 구하고, 상위 몇 개의 주성분만으로 데이터를 나타냅니다. 정답 레이블을 사용하지 않는 비지도 학습의 일종으로, 데이터 시각화나 학습 전처리에 사용됩니다. 변수마다 단위나 크기가 다르면 값이 큰 변수에 결과가 끌려가므로, 사전에 표준화하는 경우가 많습니다.

이 분야 연습하기 분야로 돌아가기

머신러닝의 기초의 다른 문제

  1. 데이터를 학습용·검증용·테스트용의 3가지로 나눌 때, 검증용 데이터의 주된 용도로 적절한 것은?
  2. 1000건의 데이터로 5-겹 교차 검증(k = 5인 k-겹 교차 검증)을 수행할 때, 1회마다 학습에 사용하는 데이터 건수는?
  3. 과적합(과대적합)이 일어나고 있을 때 보이는 모습으로 적절한 것은?
  4. 모델의 오차를 편향(bias)과 분산(variance)으로 나누어 생각할 때 적절한 것은?
  5. 과적합을 억제하는 정칙화 등의 기법에 대한 설명으로 적절한 것은?