본문 바로가기

행렬연산3

[데이터 사이언스 스쿨] math 3.5 PCA(Principal Component Analysis) PCA(Principal Component Analysis)는 주성분 분석이라고도 하며 고차원 데이터 집합이 주어졌을 때 원래의 고차원 데이터와 가장 비슷하면서 더 낮은 차원 데이터를 찾아내는 방법이다. **차원축소(dimension reduction)**라고도 한다. - 출처: [데이터 사이언스 스쿨] math 3.5 PCA(Principal Component Analysis) 2021. 4. 30.
[데이터 사이언스 스쿨] math 3.4 특잇값 분해 N×M 크기의 행렬 A를 3개의 행렬의 곱으로 나타내는 것 여기에서 U,Σ,V는 다음 조건을 만족해야 한다. 대각성분이 양수인 대각행렬이어야 한다. 큰 수부터 작은 수 순서로 배열한다. U는 N차원 정방행렬로 모든 열벡터가 단위벡터이고 서로 직교해야 한다. V는 M차원 정방행렬로 모든 열벡터가 단위벡터이고 서로 직교해야 한다. 위 조건을 만족하는 행렬 Σ의 대각성분들을 특잇값(singular value), 행렬 U의 열벡터들을 왼쪽 특이벡터(left singular vector), 행렬 V의 행벡터들을 오른쪽 특이벡터(right singular vector)라고 부른다. - 출처: [데이터 사이언스 스쿨] math 3.4 특잇값 분해 2021. 4. 30.
[데이터 사이언스 스쿨] math 2.2 벡터와 행렬의 연산 ● 유사도(similarity) 두 벡터가 닮은 정도를 정량적으로 나타낸 값. 두 벡터가 유사한 경우 커지고, 비슷하지 않은 경우 작아진다. - 출처: [데이터 사이언스 스쿨] math 2.2 벡터와 행렬의 연산 2021. 4. 30.