고차원 데이터는 시각화하기 어렵고, 처리 속도가 느리며, 과적합되기 쉽습니다. 차원 축소는 유용한 구조를 최대한 보존하면서 특징들을 더 작은 집합으로 압축합니다.

주성분 분석과 같은 선형 방법은 데이터를 최대 분산 방향으로 투영합니다. t-SNE 및 UMAP과 같은 비선형 방법은 주변 영역을 보존하므로 클러스터 시각화에 널리 사용됩니다.

일반적인 기술

• 주성분 분석
• 선형 판별 분석
• 시각화를 위한 t-SNE
• 매니폴드 학습을 위한 UMAP
• 비선형 압축을 위한 오토인코더

차원 축소는 항상 무언가를 잃게 만듭니다. 목표는 신호를 유지하면서 노이즈와 중복성을 제거하는 것입니다. 적절한 차원 수를 선택하는 것은 판단의 문제이며, 재구성 오류뿐만 아니라 후속 작업의 성능을 고려하는 경우가 많습니다.