데이터 차원 축소(Data Dimensionality Reduction)

문제5) 데이터 차원 축소(Data Dimensionality Reduction)

답)

 

 

1. 차원의 저주 해결, 데이터 차원 축소(Data Dimensionality Reduction)의 개요

가. 데이터 차원 축소(Data Dimensionality Reduction)의 정의

• 매우 많은 피처로 구성된 다차원 데이터 세트의 차원을 축소해 새로운 차원의 데이터 세트를 생성

 

나. 데이터 차원 축소의 목적

직관적 분석	다량의 차원을 2,3차원으로 변환하여 시각적으로 빠른 분석이 가능
차원의 저주 완화	샘플의 특성이 너무 많으면 학습이 매우 어려워지지 않도록 함

 

2. 데이터 차원 축소 개념도 및 주요 유형

가. 데이터 차원 축소의 개념도

데이터 차원 축소는 선형, 비선형 기법으로 나누어 사용할 수 있음

 

 

 

나. 데이터 차원 축소 주요 유형

 

구분	유형	내용
선형	PCA	고차원 공간의 표본들을 연관성이 없는 저차원 공간(주성분)의표본으로 변환하는 알고리즘
	LDA	클래스간 분산과 클래스내 분산의 비율을 최대화하는 방식으로 데이터에 대한 특징 벡터의 차원을 축소하는 알고리즘
	특이값 분해(SVD)	임의의 m×n 차원의 행렬에 대해 행렬을 분해할 수 있다는 ‘행렬 분해(decomposition)’ 방법
	요인 분석	다수 변수들을 변수들 간의 관계를 분석하여 공통차원들을 통해 축약하는 통계 기법
비선형	ISOMAP	다차원 스케일링(MDS) 또는 주성분 분석(PCA)의 확장 및 두 방법론을 결합한 알고리즘
	로컬 선형 임베딩(LLE)	고차원의 공간에서 인접해 있는 데이터들 사이의 선형적 구조를 보존하면서 저차원으로 임베딩하는 알고리즘
	AutoEncoder	입력이 들어왔을 때, 해당 입력 데이터를 최대한 compression 시킨 후, compressed data를 다시 본래의 입력 형태로 복원시키는 신경망
	SOM(Self-Organizing Map)	사람이 눈으로 볼 수 있는 저차원 격자에 고차원 데이터의 각 개체들이 대응하도록 인공신경망과 유사한 방식의 학습을 통해 군집을 도출해내는 기법

---

 

공감과 댓글은 아이티신비에게 큰 힘이 됩니다.

블로그 글이 유용하다면 블로그를 구독해주세요.♥