PCA는 ‘주성분 분석(Principal Component Analysis)’을 뜻하며, 여러 변수로 이뤄진 데이터를 더 적은 차원으로 다루기 위한 선형 변환 기법이다. 핵심은 데이터의 변화가 크게 나타나는 방향을 찾아, 그 방향을 주요 성분으로 삼는 데 있다. 출처 1 출처 2
핵심 내용
데이터는 여러 변수로 표현될 수 있지만, 모든 방향이 같은 정도의 정보를 담는 것은 아니다. PCA는 데이터에서 분산이 큰 방향을 식별하고 이를 주요 성분으로 정리한다. 출처 2
여기서 분산이 큰 방향이란 데이터 값들이 더 넓게 퍼져 변화하는 방향을 가리킨다. PCA는 이처럼 변화가 두드러지는 방향을 중심으로 데이터를 새롭게 표현하는 방식이다. 출처 2
차원 축소와의 관계
PCA의 목적은 원래 데이터가 가진 차원을 줄이는 것이다. 다수의 변수로 구성된 데이터를 주요 성분을 기준으로 변환해, 더 적은 차원에서 살펴볼 수 있도록 한다. 출처 1
즉, PCA는 단순히 변수를 일부 삭제하는 설명이 아니라 데이터를 선형적으로 변환하는 방법이다. 변환 뒤에는 원래 변수 자체보다, 데이터의 분산이 큰 방향으로 정의된 주요 성분이 분석의 기준이 된다. 출처 1 출처 2
‘주성분’이 뜻하는 것
주성분은 PCA가 찾아내는 주요 방향을 말한다. 이 방향들은 데이터의 분산을 기준으로 식별되므로, PCA를 이해할 때는 ‘데이터가 가장 크게 변하는 방향을 찾는다’는 점이 가장 중요하다. 출처 2
공개된 내용만으로는 특정 데이터셋에서 몇 개의 주성분을 선택해야 하는지, 또는 차원 축소 뒤 어떤 결과가 보장되는지까지는 확인되지 않는다. 다만 PCA의 기본 역할은 분산이 큰 방향을 주요 성분으로 찾아 데이터 차원을 줄이는 선형 변환이라는 점으로 정리할 수 있다. 출처 1 출처 2
총 개
