파이썬 라이브러리를 활용한 머신러닝(번역개정판): 사이킷런 핵심 개발자가 쓴 머신러닝과 데이터 과학 실무서

3

장

비지도 학습과 데이터 전처리

193

# 스케일 조정된 테스트 세트의 정확도

print("SVM test accuracy: {:.2f}".format(svm.score(X_test_scaled, y_test)))

Out [13]:

SVM 테스트 정확도: 0.96

전처리 작업을 위한 데이터 변환을 얼마나 간단하게 할 수 있는지 보았습니다. 이제 비지도 학

습을 사용한 더 재미있는 변환에 대해 배워보겠습니다.

3.4

차원 축소, 특성 추출, 매니폴드 학습

앞서 이야기했듯, 비지도 학습을 사용해 데이터를 변환하는 이유는 여러 가지입니다. 가장 일

반적인 동기는 시각화하거나, 데이터를 압축하거나, 추가적인 처리를 위해

11

정보가 더 잘 드

러나는 표현을 찾기 위해서입니다.

이번 절에서는 이런 용도로 가장 간단하고 흔히 사용하는 알고리즘인 주성분 분석

principal

component

analysis

,

PCA

을 소개합니다. 그리고 특성 추출에 널리 사용하는 비음수 행렬 분해

non

-

negative

matrix

factorization

,

NMF

와

2

차원 산점도를 이용해 시각화 용도로 많이 사용하는

t

-

SNE

t

-

distributed

stochastic

neighbor

embedding

알고리즘도 살펴보겠습니다.

3.4.1

주성분 분석(

PCA

)

주성분 분석은 특성들이 통계적으로 ...