사람과 AI

Autoencoder를 활용한 차원 축소 및 특징 추출 1. 개념 Autoencoder는 입력 데이터를 압축한 뒤 다시 복원하는 비지도 신경망입니다. Encoder → Latent Space → Decoder 구조로 구성됩니다. ✅ 목표: 입력과 복원 데이터의 차이를 최소화하면서 중요한 특징만 추출하는 것 2. 적용 방법 목적설명 차원 축소고차원 데이터를 중요한 정보만 남기고 축소 특징 추출Encoder의 Latent Output을 새로운 Feature로 활용 3. 실무 코드 (PyTorch) import torchimport torch.nn as nnfrom torch.utils.data impor..

🧠 Feature Interaction 완전 정복: 변수 간 곱, 합 활용1. 개념Feature Interaction은 둘 이상의 변수 간의 곱(multiplicative), 합(additive) 등을 통해 새로운 의미 있는 피처를 생성하는 전처리 기법입니다.2. 원리기존의 독립적인 변수들이 결합되면 모델이 학습하기 어려운 패턴을 더 잘 표현할 수 있게 됩니다.예: 매출 = 가격 × 수량3. 사용 방법df['A_B_mul'] = df['A'] * df['B']df['A_B_add'] = df['A'] + df['B']4. 사용 시기모델 성능이 더 이상 개선되지 않을 때변수 간 상호작용이 의미가 있을 때 (도메인 지식 활용)트리 기반 모델 또는 DNN 사용 시5. 기대 효과모델 성능 향상 (정확도, AU..

​🎲 고유값 분해는 뭐냐면…수학 문제 속에 숨은 비밀 지도를 찾는 거예요!우리가 정사각형 표처럼 생긴 수들의 모음을 "행렬(matrix)"이라고 부르는데요, 이 행렬은 마치 여러 방향으로 물건을 회전하거나 늘리고 줄이는 기계 같아요.🎡 예를 들어서 생각해보자!상상해봐요:원판 위에 여러 개의 점들이 있고,어떤 마법 기계를 돌리면, 이 점들이 특정 방향으로 길게 늘어지거나 짧아져요.그런데 신기하게도, 어떤 특정한 방향으로는 점들이 오직 길어지거나 짧아지기만 하고, 방향은 안 바뀌어요!👉 이때 그 방향을 "고유벡터"라고 부르고👉 얼마나 길어졌는지를 나타내는 숫자를 "고유값"이라고 불러요!🎯 고유값 분해는 이걸 찾는 거예요!어떤 행렬이 있다면,"이 행렬은 어떤 방향으로는 그냥 길어지거나 짧아지기만 할까..

PCA 응용분야(그림: ChatGPT4o 생성)아래에 PCA(주성분 분석)의 주요 응용 분야, 역할, 그리고 사용 이유 및 장점을 상세히 정리해드릴게요.​📌 PCA의 응용 분야 (Applications of PCA)1. 📊 데이터 시각화목적: 고차원 데이터를 2D 또는 3D로 줄여 그래프로 시각화예시:이미지 데이터 시각화 (예: MNIST 손글씨)텍스트 임베딩의 군집 형태 확인​2. 🧠 머신러닝 전처리목적: 모델 훈련 전 차원을 줄여 과적합 방지 및 속도 향상예시:SVM, k-NN 등 거리 기반 알고리즘의 성능 개선다중공선성 제거 (Multicollinearity 해결)​3. 🧬 유전자 데이터 분석 (Bioinformatics)목적: 수천 개 유전자 중 유의미한 패턴 추출예시:질병 유전자 식별샘플..