Notice
Recent Posts
Recent Comments
Link
| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 6 | 7 | 8 | 9 | 10 | 11 | 12 |
| 13 | 14 | 15 | 16 | 17 | 18 | 19 |
| 20 | 21 | 22 | 23 | 24 | 25 | 26 |
| 27 | 28 | 29 | 30 | 31 |
Tags
- Machine Learning
- 한계 수입
- spectral clustering
- 독점 기업의 수입 극대화
- 소득승수
- 총 수요 곡선
- 미시경제학
- 동치류
- 부분 순서
- pinball loss
- 케인즈의 십자가
- Curse of dimensionality
- 수입 극대화
- 핀볼 로스
- 전순서
- 라플라시안 행렬
- distance concentration
- laplacian matrix
- 차원의 저주
- 스펙트럴 클러스터링
- 지시함수
- 정규화 라플라시안 행렬
- quantile regression
- 동치 관계
- k-최근접 이웃
- 거리 집중
- 이항관계
- normalized laplacian matrix
- 분위수 회귀
- 수요의 가격탄력성
Archives
- Today
- Total
목록k-최근접 이웃 (1)
데이터 낚시꾼
차원의 저주: 데이터 밀도, 거리 집중 현상, KNN 과적합, PCA 실험
요약 고차원 데이터는 차원의 저주(Curse of Dimensionality)로 인해 데이터 간 거리가 멀어지고 희소해짐거리 기반 알고리즘(KNN 등)은 고차원에서 거리의 의미가 사라지며 성능이 급감함 (거리 집중 현상)모델 복잡도가 증가하고 과적합 위험이 커져 일반화 성능 저하고차원 데이터도 종종 저차원 구조(다양체)를 가짐 → 이를 활용한 차원 축소가 핵심PCA, AutoEncoder를 통해 유의미한 저차원 표현으로 압축 가능CNN은 이미지 데이터의 구조적 특성을 활용하여 사실상 차원 축소 효과Dropout, 정규화(L1/L2) 등은 과적합 방지에 효과적Random Forest처럼 서로 다른 feature subset을 사용하는 앙상블도 효과적KNN+PCA 조합은 고차원에서도 KNN 성능을 유지하거나..
기계학습
2025. 4. 10. 00:04