29 lines
2.4 KiB
Markdown
29 lines
2.4 KiB
Markdown
---
|
|
id: MATH-PCA-DET-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 1.0
|
|
tags: [math, linear-algebra, pca, principal-component-analysis, statistics, dimensionality-reduction]
|
|
last_reinforced: 2026-04-26
|
|
---
|
|
|
|
# Principal Component Analysis (주성분 분석)
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "데이터의 혼돈 속에서 가장 강한 에너지가 분출되는 '주성분'의 방향을 찾고, 그 축을 중심으로 세상을 다시 정렬하라" — 고차원 데이터의 정보를 선형 결합을 통해 서로 상관관계가 없는 주성분들로 변환하여 데이터를 요약하고 구조화하는 통계적 기법.
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
- **추출된 패턴:** "Orthogonal Transformation and Information Compaction" — 데이터의 공분산 행렬을 고유분해(Eigen-decomposition)하여, 분산이 큰 순서대로 수직인 기저 벡터들을 찾아내고 데이터를 그 축 위로 정사영(Projection)시키는 수학적 패턴.
|
|
- **수학적 3대 정수:**
|
|
- **Eigenvectors (고유벡터):** 데이터가 가장 많이 흩어져 있는 '방향'. 즉, 새로운 축.
|
|
- **Eigenvalues (고유값):** 그 축이 얼마나 많은 정보를 담고 있는지를 나타내는 '크기'.
|
|
- **Variance Preservation:** 상위 몇 개의 주성분만으로 원본 데이터 정보의 80~90%를 보존 가능.
|
|
- **의의:** 데이터 내의 노이즈를 제거하고 핵심적인 변수 조합을 찾아냄으로써, 기계 학습 모델의 학습 속도를 높이고 다차원 데이터의 시각적 해석을 가능케 함.
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌:** 변수가 많을수록 좋다는 양적 팽창의 시대에서, 이제는 데이터의 중복성(Redundancy)을 제거하고 '가장 설명력이 높은' 핵심 변수만을 남기는 질적 압축의 시대로 전환되는 핵심 도구로 작용함.
|
|
- **정책 변화:** Antigravity 프로젝트는 에이전트의 다양한 성능 지표들 사이의 불필요한 상관관계를 제거하고 핵심 성과 동인을 파악하기 위해, 주기적으로 리포트 데이터에 PCA 분석을 적용하여 인사이트를 도출함.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[PCA-and-Dimension-Reduction]], [[Multivariate-Analysis]], [[Linear-Algebra-Foundations]], Feature-Engineering-Best-Practices
|
|
- **Raw Source:** 10_Wiki/Topics/AI/Principal-Component-Analysis.md
|