Machine learning
주성분 분석
주성분 분석(PCA)은 이안 졸리프(Ian Jolliffe, 2002)의 현대 교과서에서 다루어졌듯이, 고차원 데이터를 가능한 한 많은 분산을 보존하면서 더 적은 차원으로 압축하는 비지도 차원 축소 방법입니다. 이는 상관관계가 있는 변수들을 각 주성분이 데이터의 변동을 얼마나 설명하는지에 따라 정렬된 소수의 비상관 주성분으로 재표현합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
출처
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/ko/machine-learning/pca
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →이 방법을 참조하는 항목
오토인코더베이지안 요인 분석확인적 요인분석(CFA)확인적 요인 분석크론바흐 알파 (신뢰도 분석)차등 진화확산 모델탐색적 요인 분석 (EFA)탐색적 요인 분석(EFA)을 이용한 척도 개발가우시안 혼합 모형계층적 군집화Isolation ForestIsomapK-means 군집화라쏘 회귀선형 판별 분석 (LDA릿지 회귀(Ridge Regression)강건 요인 분석(Robust Factor Analysis)강건 주성분 분석 (RPCA)점수 기반 생성 모델스펙트럼 군집화확률적 블록 모형 (Stochastic Block Model, SBM)t-SNEUMAPVariational Autoencoder