비지도 학습

차원 축소 차원의 저주(Curse of Dimensionality) 고차원 공간에서는 대부분의 데이터가 경계(테두리) 부근에 집중되는 경향이 있다. 데이터의 밀도가 낮아지고 학습이 어려워지는 문제가 발생하며 이를 해결하기 위한 적절한 전처리 기법이나 차원 축소 방법 등을 사용하여 모델을 개선해야 한다. 데이터 희소성 : 고차원 공간에서 데이터 매우 희소하게 분포한다. 데이터 포인트 간 거리 증가 : 데이터 포인트들이 점점 멀어진다. 학습 시간 증가와 모델 복잡성 일반화 성능 감소 이로 인해 모델의 예측 불안정성이 증가하고 과대적합 위험이 커진다. 샘플 분포의 특징 학습 데이터의 분포는 고차원 공간에서 균일하게 퍼져 있는 것이 아니라, 특정한 패턴이나 규칙을 따르는 경우가 많다. 이미지 데이터 같은 경우 ..