차원의저주 (1) 썸네일형 리스트형 차원의 저주와 해결방법 (feature selection, feature extraction) 차원의 저주 데이터보다 변수가 많을때 생기는 현상으로, 학습을 느리게 하고 과적합이 발생할 가능성이 높아짐 고차원으로 갈수록 전체 공간에서 데이터가 차지하는 영역이 매우 작아짐 예측을 위해 훨씬 많은 작업을 해야하고 과적합이 되어 저차원일때보다 예측이 불안정해짐 입력 변수의 수가 너무 많으면 잡음(noise)이 발생하여 분류 모형의 정확도 감소함 입력 변수 간에 상관관계가 있는 경우 다중공선성이 발생해 모형이 불안정해짐 차원축소의 중요성 차원 축소를 통해 모형의 복잡도를 낮춰 예측 모델의 성능을 개선할 수 있음 이를 통해 모형의 정확도를 높일 수 있고, 모델 학습 속도가 향상되며, 데이터 시각화가 쉬워짐 Feature selection 중요한 변수를 찾는 과정으로 데이터 속에 존재하는 중복되고 상관없는 .. 이전 1 다음
