데이터 차원축소 (Data Dimensionality Reduction)

I.  차원의 저주 해결, 데이터 차원축소의 정의

- 차원의저주 해결위해 고차원의 데이터를 저차원의 공간으로 투영하여 차원을 축소하는 기법

 

II. 차원축소의 매커니즘과 기법

가. 차원축소의 매커니즘

Hand made

나. 차원축소의 기법

구분	기법	특징
선형	SVD	- 특이값분해, 임의의 m×n 차원의 행렬 분해 방법  (Singular Value Decomposition)
	LDA	- 선형판별분석, 클래스간 분산최대화, 클래스내 분산최소화 차원축소  (Linear Discriminant Analysis)
	PCA	- 주성분분석, 공분산행렬 이용한 차원축소 (Principal Component Analysis)
비선형	SOM	- 자기조직화지도, 저차원 격자에 고차원 데이터 사상  (Self-Organizing Map)
	LLE	- 로컬선형임베딩, 데이터들 사이의 선형적 구조를 보존  (Locally Liner Embedding)
	ISOMAP	- 실제 특징을 반영하는 거리 정보를 사용  (Isometric Feature Mapping)
	Autoencoder	- 입력 데이터를 효율적으로 압축(인코딩)한 후 이 재구성

 

III. 차원축소와 차원확장 비교

비교	차원축소	차원확장
목적	복잡성 감소	모델 표현력 향상
장점	노이즈 제거	비선형 문제 해결
단점	데이터 손실	과적합 위험

 

- 차원의 저주와 다중공선성 문제 해결을 위해 차원축소 기법 활용 가능.

 

---

참고자료

• (한국정보통신기술협회) 데이터 차원 축소
• (IT 신비) 데이터 차원 축소