PCA (Principal Component Analysis), 주성분 분석
우리가 다루는 데이터들은 보통 3차원 공간에선 표현하기 힘든 고차원(high dimension)의 데이터인 경우가 많습니다. 예를 들어 40개의 관절을 가진 휴머노이드 로봇을 제어하기 위해선 40차원의 벡터 (또는 120차원의 벡터)를 다루어야 하고, 또 미스코리아의 얼굴 유사도 분석과 같이 이미지 파일을 분석할래도 픽셀 수(e.g. 64*64=4096) 길이의 벡터를 다루어야 하죠. 생각해보세요. 이렇게 긴 벡터의 데이터를 분석한다면 컴퓨터로서도 매우 힘들지 않을까요? 그래서 필요한 것이 바로 차원 축소의 방법입니다.
* PCA를 처음 접하시는 분이시라면 지난번 T-Robotics 글 "미스코리아 얼굴들을 다 똑같다? PCA의 마법!"을 먼저 읽어주시면 이해에 도움이 되실 것입니다.
 |
| 미스코리아의 얼굴은 다 똑같다? PCA로 분석한 미스코리아 얼굴의 유사도 분석! T-Robotics 글에서 한번 확인해보시죠. (사진 출처 : Refining Open Minds 블로그) |
