PCA는 ‘주성분 분석(Principal Component Analysis)’을 뜻하며, 여러 변수로 이뤄진 데이터를 더 적은 차원으로 다루기 위한 선형 변환 기법이다. 검색 증가의 직접적인 배경은 공개된 내용만으로는 확인되지 않지만, 핵심은 데이터의 복잡한 축을 중요한 방향 중심으로 재구성하는 데 있다. 출처 1
핵심 내용
PCA는 데이터의 차원을 줄이는 데 쓰이는 선형 변환 기법이다. 즉, 원래 데이터가 여러 차원으로 구성돼 있을 때 이를 다른 좌표축으로 옮겨 더 적은 차원으로 표현하는 방식이다. 출처 1
이때 새로 잡는 축 가운데 중요한 기준은 데이터의 분산이다. PCA는 데이터가 크게 퍼져 있는 방향을 주요 성분으로 식별한다. 출처 2
‘주요 성분’은 어떻게 정해지나
주요 성분은 단순히 원래 변수 하나를 고르는 개념이 아니다. PCA는 선형 변환을 통해 데이터의 방향을 새롭게 설정하고, 그중 분산이 큰 방향을 핵심 성분으로 본다. 출처 1 출처 2
분산이 큰 방향은 데이터 안에서 변화가 더 크게 나타나는 축이라는 뜻이다. 따라서 PCA의 기본 원리는 여러 방향 가운데 데이터의 변화를 크게 담고 있는 방향을 우선적으로 찾는 데 있다. 출처 2
차원 축소와의 관계
차원 축소 관점에서 PCA는 많은 차원의 데이터를 적은 수의 주요 성분으로 바꾸는 방법이다. 원래 데이터의 모든 축을 그대로 유지하는 대신, 분산이 큰 방향을 중심으로 데이터를 표현하도록 선형 변환하는 것이 핵심이다. 출처 1 출처 2
다만 제공된 자료만으로는 몇 개의 성분을 선택해야 하는지, 특정 데이터에서 어느 정도 정보가 유지되는지 같은 구체적 기준은 확인되지 않는다. PCA를 이해할 때 우선 짚을 점은 ‘차원을 줄이는 선형 변환’과 ‘분산이 큰 방향을 주요 성분으로 식별’한다는 두 가지다. 출처 1 출처 2
총 개
