재현's tistory

기존에 64x64=4096 차원이었던 이미지 데이터를 k 차원으로 축소하고 싶다면, 가장 큰 Eigenvalue(고유값) 값을 가진 k개의 고유벡터(Eigenvector)를 골라 이 벡터들을 축으로 데이터를 투영시키면 된다. def perform_pca(X, eigenvecs, k): # k: 몇 차원으로 축소할 것인가? V = eigenvecs[:, :k] X_reduced = X @ V return X_reducedXred = perform_pca(imgs_flatten, eigenvecs, 2) 이미지 데이터를 담고 있는 imgs_flatten과 k개의 Eigenvector를 담고 있는 행렬의 행렬곱을 통해 k차원으로 축소를 시켰다. 위 코드에서는 k=2 이기 때문에 이미지 데이터가 2차원..

PCA(주성분 분석)는 고차원 데이터를 더 낮은 차원으로 축소하면서도, 데이터가 가진 중요한 특성을 최대한 보존할 수 있도록 해주는 기법이다. 이미지의 경우 각 픽셀이 하나의 차원으로 간주되기 때문에, 예를 들어 64×64 픽셀 이미지라면 무려 4096차원의 데이터가 된다. 하지만 PCA를 적용하면 이러한 고차원 이미지 데이터를 비교적 낮은 차원에서 효율적으로 표현할 수 있으며, 그 과정에서 이미지의 주요 특징을 효과적으로 추출해 활용할 수 있다. 그러면 직접 여러개의 이미지 데이터에서 PCA 기법을 이용해 특성을 추출해보도록 하겠다! 데이터는 Kaggle에 있는 "Cat & Dog Face 64x64 pixel" 데이터셋을 활용했다.출처) https://www.kaggle.com/datasets/a..