33 lines
2.2 KiB
Markdown
33 lines
2.2 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-PPCA-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.98
|
|
tags: [auto-reinforced, pca, dimension-reduction, data-analysis, machine-learning, statistics]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Principle-Component-Analysis]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "데이터의 엑스레이: 수백 개의 복잡한 변수 중에서 데이터의 본질적 변동(Variance)을 가장 잘 설명하는 핵심 축(주성분) 몇 개만 추려내어, 정보의 핵심은 살리고 노이즈와 군더더기는 걷어내는 고차원의 시각화 마법."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
주성분 분석(PCA)은 고차원의 데이터를 저차원으로 축소하면서 정보 손실을 최소화하는 통계적 기법입니다.
|
|
|
|
1. **작동 원칙**:
|
|
* 데이터가 가장 널리 퍼져 있는(분산이 큰) 방향을 첫 번째 주성분($PC_1$)으로 설정.
|
|
* 그 방향과 수직이면서 그다음 분산이 큰 곳을 $PC_2$로 설정. (Linear-Algebra와 연결)
|
|
2. **효과**:
|
|
* **Dimension Reduction**: 연산량 폭감. (Efficiency와 연결)
|
|
* **Visualization**: 수백 차원의 데이터를 2~3차원으로 그려 한눈에 파악.
|
|
* **Noise Filtering**: 분산이 작은 하위 주성분(잡음) 제거. (Noise와 연결)
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 선형적인 관계만 분석하는 정책(Linear PCA)이었으나, 현대 정책은 복잡하게 얽힌 데이터의 곡면까지 파악하는 '커널 PCA 정책'이나 '오토인코더(Autoencoder) 정책'으로 그 개념이 확장됨(RL Update).
|
|
- **정책 변화(RL Update)**: 단순히 데이터를 줄이는 정책을 넘어, LLM 내부의 거대한 임베딩 공간 정책이 어떤 구조를 가지고 있는지 분석하여 AI의 '사고 체계'를 엿보는 해석 도구 정책으로도 널리 활용 중임. (Explainable-AI (XAI)와 연결)
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Linear-Algebra]], [[Noise]], [[Efficiency]], [[Explainable-AI (XAI)]], [[Optimization]]
|
|
- **Modern Tech/Tools**: Eigen-decomposition, SVD (Singular Value Decomposition), Scikit-learn (PCA).
|
|
---
|