26강. Dimesionality Reduction & PCA

• 비지도학습 - 차원축소 => PCA
  

• data에 있는 열을 줄여주는 기법

• 기존의 열에서 원하는 일부 열을 선택하는 feature selection

• 기존의 열을 바탕으로 새로운 열을 만들어 소수의 열로 구성하는 feature extraction

• 기존의 열에서 새로운 열을 추가 / 새로운 열로 기존의 열을 대체하는 방법도 feature extraction

• 새로 만들어낸 열 : Pricipal Component Analysis

• 전체 data 중 가장 분산이 높은 방향으로 회전 변환 진행 : 끝과 끝을 연결하는 벡터 & 그 축을 중심으로 직교하는 방향으로 데이터의 끝과 끝을 연결하는 벡터
  => 더 작은 차원으로 데이터를 압착시킴

• Projection

• 차원을 줄였음에도 data의 분포 정보는 남아있음

• 몇 개까지의 principle을 만들까! => 1 ~ (원본 - 1)개까지!

• PCA = 전처리

선형대수의 꽃

• 행렬 분해 decomposition

• pca projection 시각화
• SVD
  

몇 개의 Principal Component 주성분이면 충분한가?

np.argmax : 최대값의 인덱스를 리턴

• False : 0
• True : 1

np.cumsum : 누적된 합계를 계산