주성분 분석(PCA)은 차원 축소 기법 중에서도 가장 인기 있는 기법입니다. 분산이 최대인 축을 찾아 고차원 데이터셋을 주성분으로 변환하는 방식이죠. 이를 통해 원본 정보의 대부분을 유지하면서도 차원을 줄일 수 있습니다.

그렇다면

• 차원 축소 기법에는 PCA 외에도 여러 기법(Isomap, LDA 등)이 존재합니다. 기법마다 어떤 장단점이 있고, 어떤 경우에 적합할까요?
• 비선형성을 가진 분류 문제에서 차원 축소를 할 때 PCA를 사용할 수 있을까요? 더 나은 방법이 있다면, 어떤 방법으로 차원 축소를 할 수 있을까요?
• 특정 모델들은 차원 축소의 영향을 크게 받기도 하며, 어떤 모델들은 차원 축소 없이 고차원에서도 성능이 좋게 나오기도 합니다. 차원 축소의 영향을 다르게 받는 모델들의 차이점은 무엇일까요?

Deep Dive를 통해 파헤쳐봅시다.