PCA는 ‘주성분 분석(Principal Component Analysis)’을 가리키며, 여러 차원으로 이뤄진 데이터를 더 적은 차원으로 다루기 위한 선형 변환 기법이다. 핵심은 데이터가 가장 크게 퍼져 있는 방향을 찾아, 이를 주요 성분으로 삼는 데 있다. 출처 1 출처 2
핵심 내용
데이터 차원 축소는 많은 축이나 변수로 표현된 데이터를 더 간결한 형태로 바꾸는 작업이다. PCA는 이 과정에서 원래 데이터를 다른 좌표 방향으로 선형 변환하며, 그 새 방향 가운데 중요한 축을 주요 성분으로 식별한다. 출처 1
주요 성분을 정하는 기준은 데이터의 분산이다. 분산이 큰 방향은 데이터 값들이 그 방향을 따라 더 넓게 퍼져 있음을 뜻하며, PCA는 이런 방향을 우선적인 성분으로 찾는다. 출처 2
차원 축소와 연결되는 방식
PCA에서 차원을 줄인다는 것은 데이터의 모든 방향을 똑같이 다루기보다, 분산이 큰 방향으로 표현을 정리하는 접근이다. 따라서 이 기법은 복잡한 다차원 데이터를 주요 성분을 중심으로 바라보게 하는 선형 변환 방식으로 이해할 수 있다. 출처 1 출처 2
여기서 ‘주성분’은 단순히 기존 데이터의 항목 이름을 다시 붙인 것이 아니라, 데이터의 분산 구조를 바탕으로 식별되는 방향이다. PCA를 이해할 때는 차원을 줄인다는 결과와 함께, 어떤 방향이 주요 성분으로 선택되는지를 보는 것이 핵심이다. 출처 2
확인 가능한 범위
제공된 자료는 PCA가 선형 변환을 통해 차원 축소에 쓰이며, 분산이 큰 방향을 주요 성분으로 식별한다고 설명한다. 특정 데이터에서 몇 개의 성분을 선택해야 하는지나 그 결과가 어떤 효과를 내는지는 공개된 내용만으로는 확인되지 않는다. 출처 1 출처 2
총 개
