PCA는 ‘주성분 분석’을 가리키며, 여러 변수로 이뤄진 데이터를 더 적은 차원으로 다루기 위해 사용하는 선형 변환 기법이다. 핵심은 데이터 안에서 변화가 크게 나타나는 방향을 찾아 주요 성분으로 삼는 데 있다. 출처 1 출처 2
핵심 내용
- PCA는 데이터의 차원을 줄이는 선형 변환 기법이다.
- 이 과정에서 데이터의 분산이 큰 방향을 주요 성분으로 식별한다.
- 즉, 데이터가 가장 크게 퍼져 있는 방향이 분석의 중심이 된다. 출처 1 출처 2
차원 축소라는 말은 많은 변수로 표현된 데이터를 더 간결한 형태로 다루려는 목적과 연결된다. PCA는 이때 임의로 정보를 고르는 방식이 아니라, 데이터의 분산이 큰 방향을 기준으로 변환을 수행한다. 출처 1 출처 2
주요 성분은 어떻게 정해지나
PCA에서 주요 성분은 데이터의 분산이 큰 방향이다. 데이터가 특정 방향으로 넓게 퍼져 있다면, 그 방향은 데이터 변화의 중요한 축으로 식별된다. 출처 2
이 원리 때문에 PCA를 이해할 때는 개별 변수의 이름보다 데이터가 어느 방향으로 크게 변하는지를 보는 것이 핵심이다. 제공된 자료는 PCA가 이러한 방향을 찾아 데이터 차원 축소에 활용되는 기법이라고 설명한다. 출처 1 출처 2
차원 축소와의 관계
PCA의 ‘차원 축소’는 데이터를 선형 변환해 더 적은 차원으로 표현하는 특징을 뜻한다. 주요 성분은 그 변환에서 기준이 되는 방향이며, 분산이 큰 방향을 우선적으로 식별한다는 점이 PCA의 기본 원리다. 출처 1 출처 2
제공된 내용만으로는 특정 데이터셋에 몇 개의 성분을 선택해야 하는지, 또는 PCA 적용 뒤 어떤 성능 변화가 생기는지까지는 확인되지 않는다. 다만 PCA가 데이터의 큰 변화 방향을 바탕으로 차원을 줄이는 방법이라는 점은 두 자료에서 일치한다. 출처 1 출처 2
총 개
