특수 데이터 집합에 대한 K-means clustering 알고리즘을 사용한 PCA 차원 감소

Dimensionality reduction 방식은 머신러닝을 수행할 때 메모리와 디스크 사용에 대한 비용을 줄일 수 있고 더 좋은 점은 머신이 학습하는 시간을 단축할 수 있다. 더 빠른 결과를 볼 수 있고 성능이 좋은 머신러닝 시스템을 만들 수 있게 된다. Dimensionality reduction 방식 중 Principal Component Analysis(PCA)는 변수들을 주성분(Principal Compoenet)이라 부르는 선형적인 상관관계가 없는 다른 변수들로 재 표현한다. PCA는 차원 축소에 대한 unsupercised 접근 방식이며 다 변수 데이터 집합의 변수 수를 대표 변수의 더 작은 집합으로 줄이기 위해 광범위 하게 적용된다. 본 논문에서는 PCA 알고리즘을 사용하여 특정한 dataset에 대한 dimensionality reduction을 수행한 다음 k-means clustering 알고리즘을 이용해 성능을 향상시키는 방법을 제안한다.