PCA는 ‘주성분 분석(Principal Component Analysis)’을 가리키며, 데이터의 차원을 줄이기 위한 선형 변환 기법이다. 핵심은 많은 정보가 담긴 데이터에서 변화가 크게 나타나는 방향을 주요 성분으로 찾아, 데이터를 더 간결하게 바라보는 데 있다. 출처 1 출처 2
핵심 내용
PCA는 데이터를 다른 형태로 바꾸는 선형 변환 방식이다. 이 변환의 목적은 데이터 차원을 축소하는 데 있다. 출처 1
주성분은 데이터에서 분산이 큰 방향을 중심으로 식별된다. 즉, 데이터 값의 변화가 크게 나타나는 방향이 분석에서 중요한 성분으로 다뤄진다. 출처 2
따라서 PCA는 원래 데이터의 모든 차원을 그대로 다루기보다, 큰 분산을 보이는 방향을 기준으로 데이터를 정리하는 기본 원리를 갖는다. 출처 1 출처 2
차원 축소와의 연결
데이터의 차원이 많다는 것은 데이터를 표현하는 기준이나 방향이 여러 개라는 뜻으로 이해할 수 있다. PCA는 이 가운데 주요 성분을 찾는 방식으로 차원을 줄이는 선형 변환 기법으로 설명된다. 출처 1
여기서 판단의 중심은 분산이다. PCA 관련 튜토리얼은 데이터에서 분산이 큰 방향을 주요 성분으로 식별한다고 설명하며, 이 원리가 차원 축소를 이해하는 출발점이 된다. 출처 2
확인된 범위
제공된 자료만으로는 PCA가 특정 데이터에서 몇 개의 차원까지 줄어드는지, 어떤 결과가 항상 더 좋은지까지는 확인되지 않는다. 다만 PCA가 차원 축소를 위한 선형 변환이며, 큰 분산의 방향을 주요 성분으로 찾는다는 점은 두 자료에서 일치한다. 출처 1 출처 2
총 개
