데이터 차원 축소

데이터 차원 축소 개념

• 다차원 데이터세트의 차원을 축소해 새로운 저차원 데이터를 생성하는 과정 또는 기술
• 차원의 저주해결, 성능 및 계싼 효율, 학습 효율성, 데이터 시각화

데이터 차원 축소 개념도, 주요 유형, 적용방안

데이터 차원 축소 개념도

2차원 데이터 PCA로 1차원되는 그림

데이터 차원 축소 주요 유형

구분	유형	내용
선형	PCA, 주성분 분석	데이터 분산이 큰 방향으로 차원 축소
-	LDA, 선형판별분석	클래스 간 분산 최대화, 클래스 내 분산 최소화
-	SVD, 특이값분해	데이터 행렬 분해하여 차원 축소, 압축
-	ICA, 독립성분분석	데이터의 독립성분을 추출하여 표현
비선형	t-SNE	고차원 데이터를 확률적 모델링하여 매핑
-	LLE, 지역선형임베딩	인접데이터의 선형관계를 보존하여 축소
-	Isomap, 등거리매핑	데이터 간 거리를 보존하여 저차원 매핑
-	MDS, 다차원스케일링	데이터 간 거리 정보를 근접행렬로 유지 후 매핑
-	커널 PCA	커널트릭 활용 고차원 공간에서 PCA 수행

데이터 차원 축소 적용방안

구분	내용	비고
데이터 시각화	고차 데이터를 2D, 3D로 변환, 시각화	t-SNE 등
노이즈제거	데이터 주요 특징만 남겨 데이터 품질 향상	PCA 등
특성 선택	중요 속성만 선택하여 분석, 학습 활용	LDA 등
데이터 압축	저장 공간 절약 및 전송 효율성	SVD 등
패턴 인식	데이터 잠재 구조 파악, 패턴 이해	LLE, Isomap

데이터 차원 축소 고려사항

• 대규모 데이터셋 차원축소 전 계산 비용을 줄이기 위해 데이터 샘플링 고려