Files
2nd/10_Wiki/Topics/AI_and_ML/Factor-Analysis.md
T

3.2 KiB

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by
id title category status canonical_id aliases duplicate_of source_trust_level confidence_score tags raw_sources last_reinforced github_commit inferred_by
wiki-2026-0508-factor-analysis Factor Analysis 10_Wiki/Topics needs_review self
STAT-FACTOR-001
none A 1.0
Statistics|[Statistics
machine-learning
factor-Analysis
latent-variables
Dimensionality-Reduction
2026-04-26 pending Claude Opus 4.7 (auto-normalize 2026-05-08)

Factor Analysis (요인 분석)

📌 한 줄 통찰 (The Karpathy Summary)

"수많은 겉모습 속에 숨겨진 공통의 근원을 찾아라" — 관측된 여러 변수들 사이의 상관관계를 분석하여, 배후에 존재하는 소수의 잠재 변수(Latent Variables) 혹은 요인(Factors)을 추출하는 통계적 기법.

📖 구조화된 지식 (Synthesized Content)

  • 추출된 패턴: 눈에 보이는 데이터(Manifest Variables)의 요동이 사실은 보이지 않는 핵심 동인(Latent Factors)에 의해 결정된다고 가정하고 그 구조를 파악하는 구조적 해석 패턴.
  • 주요 목적:
    • Data Reduction: 수많은 변수를 소수의 요인으로 압축하여 효율성 증대.
    • Structure Discovery: 변수들 간의 복잡한 관계 네트워크 파악.
    • Scaling: 추상적인 개념(예: 지능, 성격, 서비스 만족도)을 측정 가능한 지표로 변환.
  • 작동 원리: 변수들 간의 공통 분산(Common Variance)을 극대화하는 축을 탐색.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

  • 과거 데이터와의 충돌: PCA(주성분 분석)와 혼동하기 쉬우나, PCA는 정보 요약에 집중하고 요인 분석은 데이터가 생성된 '인과적 구조'를 설명하는 데 집중한다는 차이점이 명확해짐.
  • 정책 변화: Antigravity 프로젝트는 에이전트의 성능 지표(응답 속도, 정확도, 토큰 사용량 등)를 분석할 때, 이들을 결정짓는 잠재 요인(예: 하드웨어 성능, 모델 복잡도, 네트워크 지연)을 분리하기 위해 요인 분석 기법을 활용함.

🔗 지식 연결 (Graph)

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

  • (TODO)

언제 쓰면 안 되는가:

  • (TODO)

🧪 검증 상태 (Validation)

  • 정보 상태: needs_review
  • 출처 신뢰도: A
  • 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

  • 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
  • 처리 방식: UPDATE (자동 정규화)
  • 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜 변경 내용 처리 방식 신뢰도
2026-05-08 P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) UPDATE A