망중한 블로그

주성분 분석(PCA: Principal Component Analysis) 인공지능에서 오버피팅을 없애주는 가장 확실한 방법 아반투님의 동영상을 캡쳐하며 정리한 내용입니다. (추천) https://www.youtube.com/watch?v=lhRmMjgXwW0 PC(principal component) : 고유값 람다에 고유벡터를 곱한 실수배$$ PC score(1st PC에 사영시킨 값)는 내적을 하면 구할 수 있음! PCA의 의미 1. 차원축소 ( 보통 차원이 줄면 overfitting 문제가 해결이 됨 ) 2. z(호감) = w1(가중치)x(외모) + w2(가중치)y(성격)로 새로운 변수를 생성할 수 있음

1. 평균 이 수식은 Error라는 뜻을 가짐 따라서 위의 수식은 평균(에러)의 값이 0 일 때를 의미한다. 2. 기대값 위의 수식은 기대값(Y)의 값을 의미한다.

Indicator Function이란? 이런 수식이 있다고 쳐보자. 갑자기 I가 나와서 뜬금없을 것이다 ㅠㅠ 이때의 I는 Indicator function이라고 하고, 괄호 안의 값이 False이면 0, True이면 1을 내뱉는 함수이다. 따라서 만약 x1, x2의 값이 R3에 있다고 치면, 수식은 다음과 같이 전개될 수 있고 최종 sum은 C3가 된다. 출처 : https://youtu.be/xki7zQDf74I