차원 축소는 feature extraction 방법 중 하나로 데이터의 feature 개수를 줄이는 방법을 통칭한다.
차원 축소는 아래와 같은 장점이 있다.
- 데이터의 복잡성을 감소시킬 수 있다.
- 시각화하여 패턴을 발견하기 쉽다.
- 모델의 성능을 향상시킬 수 있다.
다만 차원 축소를 할 때는 정보를 최대한 보유하고, 왜곡을 최소화할 수 있도록 신중히 진행해야 한다.
import seaborn as sns
tbl = sns.load_dataset('titanic')PCA
Principal Component Analysis
from sklearn.decomposition import PCA
pca = PCA(n_components=2) # 2차원으로 축소
pca_result = pca.fit_transform(tbl)t-SNE
t-distributed Stochastic Neighbor Embedding
from sklearn.manifold import TSNE
tsne = TSNE(n_components=2, random_state=42)
tsne_result = tsne.fit_transform(tbl)UMAP
Uniform Manifold Approximation and Projection
import umap
umap_reducer = umap.UMAP(n_components=2, random_state=42)
umap_result = umap_reducer.fit_transform(tbl)
Let it code