728x90 차원축소2 [PYTHON] 고차원 데이터 시각화를 위한 t-SNE vs UMAP 2가지 알고리즘 성능 및 해석 차이 해결 방법 현대 데이터 과학과 머신러닝 분야에서 고차원 데이터(High-Dimensional Data)를 다루는 것은 피할 수 없는 과제입니다. 수백, 수천 개의 특성(Feature)을 가진 데이터를 인간의 눈으로 이해할 수 있는 2차원 또는 3차원 공간으로 투영하는 기술은 단순히 '그림을 그리는 것' 이상의 의미를 갖습니다. 이는 데이터의 구조적 특징을 파악하고, 모델의 의사결정 과정을 해석하며, 잠재된 패턴을 발견하는 차원 축소(Dimension Reduction)의 핵심입니다. 오늘날 가장 널리 쓰이는 비선형 차원 축소 기법은 t-SNE(t-Distributed Stochastic Neighbor Embedding)와 UMAP(Uniform Manifold Approximation and Projection).. 2026. 4. 23. [PYTHON] PCA(주성분 분석) 활용 시점 3가지와 차원의 저주 해결 방법 데이터 사이언스 분야에서 변수의 개수가 너무 많아 분석이 불가능해지거나 모델의 성능이 급격히 떨어지는 현상을 우리는 '차원의 저주(Curse of Dimensionality)'라고 부릅니다. 수백, 수천 개의 특성(Feature) 중에서 정말 중요한 핵심 정보만을 추출하여 데이터의 복잡성을 낮추는 가장 강력한 통계적 방법이 바로 PCA(Principal Component Analysis, 주성분 분석)입니다. 본 가이드에서는 PCA의 메커니즘과 실무 적용 시 발생하는 문제에 대한 해결책을 상세히 다룹니다.1. PCA의 핵심 원리와 기존 차원 축소 기법과의 차이PCA는 단순히 변수를 버리는 '특성 선택(Feature Selection)'과 다릅니다. 기존의 변수들을 선형 결합하여 데이터의 분산(Varian.. 2026. 4. 8. 이전 1 다음 728x90
