차원 축소

Dimensionality Reduction; 차원 축소

변수(특성)의 개수를 줄여 데이터를 더 낮은 차원으로 표현하는 일

왜 하나

• 차원의 저주 완화 — 차원이 늘어날수록 필요한 표본 수가 기하급수적으로 늘고 거리 개념이 무의미해진다
• 노이즈 제거 — 정보량이 적은 축을 버리면 잡음이 함께 줄어든다
• 해석력·설명력 향상 — 변수가 적을수록 모형을 설명하기 쉽다
• 특징 추출 — 의미 있는 새 변수를 얻는다
• 시각화 — 2~3차원으로 줄이면 눈으로 볼 수 있다
• 학습 시간 단축, 과적합 완화

데이터 정제(Cleansing)는 차원 축소로 하는 일이 아니다. 결측치·이상치 처리는 데이터 전처리 단계의 일이고, 차원 축소는 그다음에 온다.

방법

구분	설명	기법
변수 선택(Selection)	기존 변수 중 일부를 고른다	필터, 래퍼, 임베디드, 변수 선택법
변수 추출(Extraction)	기존 변수를 조합해 새 변수를 만든다	PCA, LDA, SVD, 요인분석, MDS, SOM, t-SNE, 오토인코더

같이 보기

• 주성분 분석
• 다차원 척도법
• 변수 선택법