핸즈온 머신러닝(2판): 사이킷런, 케라스, 텐서플로 2를 활용한 머신러닝, 딥러닝 완벽 실무

280

1

부

머신러닝

그림

8-6

저차원에서 항상 간단하지 않은 결정 경계

요약하면 모델을 훈련시키기 전에 훈련 세트의 차원을 감소시키면 훈련 속도는 빨라지지만 항

상 더 낫거나 간단한 솔루션이 되는 것은 아닙니다. 이는 전적으로 데이터셋에 달렸습니다.

이제 차원의 저주가 무엇인지, 특히 매니폴드 가정이 성립할 때 차원 축소 알고리즘이 어떻게

작동하는지 감을 잡았기 바랍니다. 이 장의 나머지 부분에서는 가장 널리 알려진 알고리즘 중

일부를 살펴보도록 하겠습니다.

8.3

PCA

주성분 분석

principal

component

analysis

(

PCA

)은 가장 인기 있는 차원 축소 알고리즘입니다. 먼저 데

이터에 가장 가까운 초평면

hyperplane

을 정의한 다음, 데이터를 이 평면에 투영시킵니다.

281

8

장

차원 축소

8.3.1

분산 보존

저차원의 초평면에 훈련 세트를 투영하기 전에 먼저 올바른 초평면을 선택해야 합니다. 예를 들

어 [그림

8

-

7

]의 왼쪽 그래프는 간단한

2D

데이터셋이 세 개의 축(즉,

1

차원 초평면)과 함께

표현되어 있습니다. 오른쪽 그래프는 데이터셋이 각 축에 투영된 결과입니다. ...