머신러닝에서의 차원 축소와 메니폴드 구조의 이해
2024. 1. 29.
1) 서론 머신러닝에서 데이터의 차원 축소는 모델의 복잡도를 감소시키고, 과적합(Overfitting)을 방지하는 핵심 전략 중 하나입니다. 차원 축소는 고차원의 데이터를 더 낮은 차원으로 표현하는 방법으로, 특히 고차원 데이터가 내재적인 메니폴드(Manifold) 구조를 가질 때 효과적입니다. 이 글에서는 차원 축소의 기본 개념과 CPA(주성분 분석), 그리고 메니폴드 학습에 대해 탐구하겠습니다. 2) 본론 a. 차원 축소의 기본 원리 정의와 필요성: 차원 축소는 데이터의 특징을 유지하면서 데이터셋의 크기를 줄이는 과정입니다. 이는 계산 비용을 줄이고, 데이터 시각화 및 해석을 용이하게 합니다. 기법 소개: 가장 대표적인 차원 축소 기법은 주성분 분석(PCA)입니다. PCA는 데이터의 분산을 최대로 보..
