PCA: Difference between revisions
From IT Wiki
m (문자열 찾아 바꾸기 - "분류:데이터 분석" 문자열을 "분류:데이터/통계학" 문자열로) |
m (문자열 찾아 바꾸기 - "분류:데이터/통계학" 문자열을 "분류:데이터 과학" 문자열로) |
||
| Line 1: | Line 1: | ||
[[분류:인공지능]][[분류:데이터 | [[분류:인공지능]][[분류:데이터 과학]] | ||
;Principal Component Analysis; 주 성분 분석 | ;Principal Component Analysis; 주 성분 분석 | ||
;Covariance Matrix에서 Eigen Value가 가장 커지는 Eigen Vector를 찾는 과정 | ;Covariance Matrix에서 Eigen Value가 가장 커지는 Eigen Vector를 찾는 과정 | ||
Revision as of 00:21, 7 May 2020
- Principal Component Analysis; 주 성분 분석
- Covariance Matrix에서 Eigen Value가 가장 커지는 Eigen Vector를 찾는 과정
- 차원 축소 모델
- 비지도 학습
개념
- 더 작은 차원 중 분산이 가장 큰 축을 찾는다.
- 시각화가 목적이라면 최대 3차원까지 줄여야 한다.
- 분석이 목적이라면 무관
구성
- Covariance Matrix
- Eigen Value
- Eigen Vector
