[ML] 머신러닝 8강 - 데이터가 넘 복잡할 땐, 차원 축소

- 차원 축소의 필요성- PCA 개념과 절차- 비선형 차원 축소(t-SNE, UMAP) 활용법차원 축소! 차원 축소를 통해 고차원 데이터를 효율적으로 시각화.분석하고, 노이즈를 제거함으로써 핵심 패턴을 발견할 수 있음 차원 축소의 필요성고차원 데이터 : 데이터의 피처가 매우 많은 상태. 이미지 데이터는 픽셀 수 만큼 피처가 있을 수 있음 어떤 문제가 있을 때?모델 학습 시 연산 복잡도가 급증하여 시간이 오래걸림많은 피처 중 일부는 중요한 정보를 주지 못함차원이 너무 높아지면 시각화하기 어려워 패턴 파악 힘듦차원 축소의 장점노이즈 제거 -> 모델 성능 및 일반화 능력 개선2차원, 3차원으로 축소 -> 시각적으로 직관적인 분석 가능핵심 구조나 패턴을 쉽게 발견차원 축소 기본 개념✔️ 선형 차원 축소: 데이터..