Data Science Academy · 강의

먼저 크기를 조정한 뒤 PCA 적합하기

이 과정에서 표준화가 중요한 이유를 알아봅니다

먼저 크기를 조정한 뒤 PCA 적합하기은(는) CoddyKit의 무료 Data Science Academy 강의입니다. 이것은 4개 중 3번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Data Science Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Data Science Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

PCA Cares About Scale

PCA chases the largest variance, but variance depends on units. A feature in big numbers can dominate just because of its scale.

A Unit Trap

Imagine salary in dollars beside age in years. Salary varies in thousands, so PCA would treat it as far more important, unfairly.

Standardize First

The fix is standardization: rescale every feature to mean zero and unit variance so each starts on equal footing.

Use StandardScaler

In scikit-learn, StandardScaler centers and scales your columns before PCA ever sees them.

from sklearn.preprocessing import StandardScaler
Xs = StandardScaler().fit_transform(X)

Then Fit PCA

Run PCA on the scaled data, never the raw data. Now each component reflects real structure, not lopsided units.

from sklearn.decomposition import PCA
scores = PCA(n_components=2).fit_transform(Xs)

Centering Matters Too

PCA assumes data is centered at zero. Standardizing handles this by subtracting each column mean, so axes pass through the data center.

Chain It in a Pipeline

Wrap the scaler and PCA in a Pipeline so scaling always happens first and never leaks across your data splits.

from sklearn.pipeline import make_pipeline
pipe = make_pipeline(StandardScaler(), PCA(2))

Fit on Train Only

Fit the scaler on training data, then reuse it on test data. Fitting on everything leaks information and inflates your scores.

When You May Skip It

If every feature already shares the same unit and range, scaling matters less. When unsure, standardize anyway; it rarely hurts.

Watch the Difference

Run PCA with and without scaling on mixed-unit data. The explained variance and top components will look strikingly different.

Robust Options Exist

With strong outliers, consider RobustScaler, which uses medians and quartiles so extreme points sway PCA less.

from sklearn.preprocessing import RobustScaler

Quick Check

One step almost always comes right before PCA.

Recap

PCA is scale-sensitive, so standardize first, fit on training data only, and a pipeline keeps the order safe. 🎯

자주 묻는 질문

“먼저 크기를 조정한 뒤 PCA 적합하기” 강의는 무료인가요?

네 — “먼저 크기를 조정한 뒤 PCA 적합하기” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Data Science Academy 강의 전체를 잠금 해제할 수 있습니다. Data Science Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“먼저 크기를 조정한 뒤 PCA 적합하기”에서 뭘 배우나요?

이 과정에서 표준화가 중요한 이유를 알아봅니다 브라우저에서 직접 실행하는 실습 코드로 Data Science Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Data Science Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Data Science Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 3번째 강의입니다.

“먼저 크기를 조정한 뒤 PCA 적합하기” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Data Science Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Data Science Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Data Science Academy(으)로 돌아가기