기계 학습과 데이터 마이닝
패러다임 지도 학습 비지도 학습 온라인 기계 학습 메타-학습 준지도 학습 자기 지도 학습 강화 학습 규칙 기반 기계 학습 양자 기계 학습
문제 분류 클러스터 분석 회귀 분석 클러스터 분석 이상 탐지 데이터 정제 연관 규칙 구조 기반 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모달 학습
지도 학습 (통계적 분류 • 회귀 분석) 결정 트리 학습법 앙상블 학습법 (배깅, Boosting, 랜덤 포레스트) 최근접 이웃 탐색 k-NN 선형 회귀 나이브 베이즈 인공신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신(RVM) 서포트 벡터 머신(SVM)
클러스터 분석 BIRCH 계층적 군집화 k-평균 알고리즘 기댓값 최대화 알고리즘 DBSCAN OPTICS Mean-shift
차원 축소 인자 분석 CCA 독립 성분 분석 LDA 음수 미포함 행렬 분해 주성분 분석 t-SNE
구조화 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형 잠재 디리클레 할당
이상 탐지 k-최근접 이웃 알고리즘 국소 특이점 요인
인공 신경망 오토인코더 인지 컴퓨팅 딥 러닝 딥드림 생성적 적대 신경망 확산 모델 다층 퍼셉트론 순환 신경망 LSTM GRU 제한된 볼츠만 머신 변환기 비전 자기조직화지도 합성곱 신경망
강화 학습 Q 러닝 SARSA 시간차 학습
인간 참여학습 러닝 커브 크라우드소싱 인간 참여형
모델 진단 러닝 커브
이론 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 PAC 러닝 통계적 학습이론 VC 이론
회의/저널 NeurIPS ICML ICLR ML JMLR
관련 문서 기계 학습 알고리즘 목록 기계 탈학습 지식 증류 유사도 학습 대조 학습
v t e

차원축소(次元縮小, 영어: dimensionality reduction)는 고차원 데이터로부터, 저차원의 데이터로 변환하는 방법이다. 저차원 표현이 원본 데이터의 일부 의미 있는 속성을 이상적으로는 본질적인 차원에 가깝게 유지하도록 고차원 공간의 데이터를 저차원 공간으로 변환하는 것이다. 고차원 공간에서 작업하는 것은 여러 가지 이유로 바람직하지 않을 수 있다. 원시 데이터는 차원의 저주로 인해 희소한 경우가 많으며 데이터 분석은 일반적으로 계산상 다루기 어렵다(제어 또는 처리가 어렵다). 차원 축소는 신호 처리, 음성 인식, 신경정보학, 생물정보학 등 다수의 관찰 및 다수의 변수를 다루는 분야에서 일반적이다.

방법은 일반적으로 선형 접근법과 비선형 접근법으로 구분된다. 접근 방식은 특징 선택과 특징 추출로 나눌 수도 있다. 차원 축소는 노이즈 감소, 데이터 시각화, 클러스터 분석에 사용하거나 다른 분석을 용이하게 하기 위한 중간 단계로 사용할 수 있다.

• 차원의 저주