많은 변수를 가진 데이터를 정보를 되도록 잃지 않고 적은 변수로 나타내는 차원 축소 방법. 데이터의 분산이 가장 커지는 방향을 제1주성분으로 하고, 그와 직교하는 방향 중 분산이 가장 큰 방향을 제2주성분과 같이 차례로 구하여, 상위 주성분만으로 데이터를 나타낸다. 수학적으로는 데이터의 공분산 행렬의 고유벡터를 구하는 것에 해당한다. 데이터 시각화, 잡음 제거, 학습 전처리 등에 사용된다.
일본어 명칭: 主成分分析(PCA)
주성분 분석(PCA)은(는) 머신러닝의 기초 등 1개 분야의 연습 문제 1개에 나와요.
분야: 머신러닝의 기초
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.
주성분 분석은 많은 변수를 가진 데이터를 정보를 되도록 잃지 않고 적은 변수로 나타내는, 차원 축소의 대표적인 방법입니다.
주성분 분석(PCA)에 대한 설명으로 적절한 것은?비지도 학습(Unsupervised Learning) 강화 학습(Reinforcement Learning) 경사 하강법(Gradient Descent) 과적합(Overfitting) 교차 검증(Cross-validation) 순환 신경망(RNN) 전이 학습(Transfer Learning) 정밀도와 재현율(Precision and Recall) 정칙화(Regularization) 지도 학습(Supervised Learning)