(차원의 저주) 차원이 커질수록 데이터들간의 밀집도가 떨어진다. 데이터 희소화. 피처가 많을 경우 다중 공선성 문제로 모델 예측 성능 저하 가능성. (차원 축소의 장점) 학습 데이터 크기 줄여 학습 시간 절약. 모델 성능 향상에 기여할수도 다차원 데이터를 차원 축소를 통해 시각적으로 쉽게 데이터 패턴 인지 (피처 선택과 피처 추출) 차원 축소 – 피처 선택 / 피처 추출 피처 선택: 불필요한 피처는 아예 제거. 주요 피처만 선택 피처 추출: 저차원의 중요 피처로 압축해서 추출. 기존의 피처를 반영해 압축된 것이지만 새로운 피처로 추출하는 것. (피처 추출) 기존 피처를 단순 압축이 아닌, 피처를 함축적으로 더 잘 설명할 수 있는 또 다른 공간으로 매핑 => 잠재되어 있던 걸 발견 (차원축소의 의미) 단순..
