[혼공 머신] 혼자 공부하는 머신러닝 정리하기 - Chapter 06-3, 07-1

차원축소

원본 데이터의 특성을 적은 수의 새로운 특성으로 변환하는 비지도 학습의 한 종류입니다.

차원 축소는 저장 공간을 줄이고 시각화하기 쉽습니다.

 

주성분 분석

차원 축소 알고리즘의 하나로 데이터에서 가장 분산이 큰 방향을 찾는 방법입니다.

이런 방향을 주성분이라고 부릅니다. 원본 데이터를 주성분에 투영하여 새로운 특성을 만들 수 있습니다.

일반적으로 주성분은 원본 데이터에 있는 특성 개수보다 작습니다.

 

확인문제:

1. 2, 특성의 개수만큼 주성분 찾을 수 있다.

2. 1, (1000, 100) 크기 데이터셋에서 10개의 주성분을 찾아 변환하면 샘플의 개수는 그대로이고 특성 개수만 100에서 10으로 바뀝니다. 즉, (1000, 100)

3. 1, 주성분 분석은 가장 분산이 큰 방향부터 순서대로 찾습니다. 따라서 첫 번째 주성분의 설명된 분산이 가장 큽니다.

 

인공신경망

생물학적 뉴런에서 영감을 받아 만든 머신러닝 알고리즘.

뉴럴 네트워크라고도 부르고 기존의 머신러닝 알고리즘으로 다루기 어려웠던 이미지, 음성, 텍스트 분야에서 뛰어난 성능을 발휘하면서 크게 주목받는다 종종 딥러닝이라고도 부른다.

 

밀집층

가장 간단한 인공 신경망의 층이다. 밀집층에서는 뉴런들이 모두 연결되어있기 때문에 완전연결 층이라고도 부른다.

hidden layer도 존재한다

 

원-핫 인코딩

정숫값을 배열에서 해당 정수 위치의 원소만 1이고 나머지는 모두 0으로 변환 한다. 

 

확인문제

1. 3

2. 2

3. 4

4. 1

혼공머신_챕터_06_07.ipynb

3.88MB