ML (Hands-On Machine Learning)/Dimensionality Reduction1 Chapter 8. Dimensionality Reduction 본격적인 이야기에 앞서 왜 차원 축소(Dimensionality Reduction)를 하는 것일까? 고차원이 되었을 때 문제가 발생한다. 차원이 증가하면 그것을 표현하기 위한 데이터 양이 기하급수적으로 증가한다. 심지어 일정 차원을 넘으면 분류기의 성능은 점점 0으로 수렴하게 된다. 그렇게 때문에 너무 고차원의 데이터들은 의미를 제대로 표현하기가 어렵다. 이러한 이유로 데이터들을 우리는 차원 축소를 하여 다루게 된다. * Dimensionality Reduction? 데이터의 의미를 제대로 표현하는 특징을 추려내는 것이다. 대부분의 상황에서 차원의 크기는 특징의 개수를 나타내고 특징(feature)이 너무 많기 때문에 학습이 어렵고 더 좋은 특징만 가지고 사용하겠다는 것이다. 그렇다면 이러한 특징은 어떻.. 2020. 4. 27. 이전 1 다음
