(131 관리 1-5) 데이터 차원 축소(Data Dimensionality Reduction)

---

데이터 차원 축소(Data Dimensionality Reduction)

---

멘토링

AI 분야 전문가가 아니므로, 하기 내용은 선별해서 보시기 바랍니다.
저 또한 꾸준히 공부하는 입장이라서요.
차원의 저주, 데이터 차원 축소의 개념과
선형 / 비선형 차원 축소 기법을 설명해 주면 풍성한 답안이 될 듯합니다.
특히 123회 기출문제 중
다변량회귀분석, 주성분분석, 다차원분석법의 내용을 포함시켰다면 고득점이 예상됩니다.
기출문제의 중요성을 다시 한번 실감하네요.

---

차원의 저주

 

고차원 데이터에서 예측과 분석이 어려운 현상

 

차원 축소

 

고차원 데이터를 낮은 차원으로 변환하여 처리 및 시각화를 용이하게 하는 기술

 

차원 축소 기법

 

구분	설명	활용 예시
선형 차원 축소	- 주성분 분석(PCA)와 같은 선형 변환을 사용하여   데이터를 낮은 차원으로 축소하는 방법.	PCA, LDA, FA
비선형 차원 축소	- 비선형 관계를 고려하여 데이터를 낮은 차원으로 축소 - 주로 커널 기반 기법을 사용	t-SNE, Isomap, LLE

 

선형 차원 축소 기법 설명

 

구분	설명
PCA (주성분 분석)	- 데이터의 분산을 최대화하면서 주요한 정보를 보존 - 주로 데이터 압축, 시각화, 잡음 제거 등에 사용
LDA (선형 판별 분석)	- 분류 문제에 주로 사용 - 클래스 간 분리를 최대화하는 선형 변환을 수행
요인 분석 (FA)	- 관련성이 있는 다차원 데이터의 변수를 잠재적인 요인으로 축소

 

비선형 차원축소 기법 설명

 

구분	설명
t-SNE	- 데이터의 유사성을 보존하면서 고차원 데이터를 시각화하기 위해 사용
Isomap	- 지리적 거리 정보를 이용하여 데이터를 낮은 차원으로 축소 - 3D 지도나 이미지 처리에서 유용
LLE	- 데이터 포인트 간의 국부적인 선형 관계를 보존하여 차원을 축소 - 주로 매니폴드 학습에서 활용

* t-SNE (t-distributed Stochastic Neighbor Embedding)

* LLE (Locally Linear Embedding)

 

기출문제

 

(관리 123-2-4)
다음의 분석기법에 대하여 설명하시오.

가. 변수의 차원을 줄이는 다변량회귀분석
나. 변수의 차원을 줄이는 주성분분석
다. 케이스의 차원을 줄이는 다차원척도법

 

 

참고 자료

 

ChatGPT