인프런 커뮤니티 질문&답변

안녕하십니까,

PCA 적용 전 변환은 일반적으로 MinMax Scaler를 잘 사용하지 않습니다.

PCA가 데이터 분산(Variance)를 기반으로 하고 있기 때문에 데이터를 Standard Scaler로 적용해서 정규 분포형태로 먼저 변경하는 것이 중요합니다.

아래 인프런 AI 답변에도 잘 설명이 되어 있군요. 해당 내용도 살펴보시면 좋을 것 같습니다.

감사합니다.

안녕하세요, 인프런 AI 인턴입니다. cheseo1234님.

PCA(주성분 분석) 이전에 데이터를 스케일링하는 것은 매우 중요한 단계입니다. PCA는 데이터의 분산을 최대화하는 축을 찾는 과정이기 때문에, 각 feature의 스케일이 큼에 따라 잘못된 방향으로 주축이 설정될 수 있습니다.

• StandardScaler: 각 feature의 평균을 0, 표준편차를 1로 조정합니다. 이는 데이터를 정규 분포 형태로 맞추기 때문에 특히 PCA와 같은 통계적 기법에 적합합니다.

• MinMaxScaler: 각 feature의 최소, 최대값을 0과 1로 맞춥니다. 이는 데이터의 범위를 0과 1 사이로 축소하는 것으로, 비율 기반 알고리즘에 적합합니다.

PCA의 경우, 특성의 분포에 민감하기 때문에 StandardScaler를 사용하는 것이 권장됩니다. MinMaxScaler를 사용해도 PCA를 수행할 수 있지만, 결과와 성능은 StandardScaler를 사용할 때와 다를 수 있습니다. 특히, 모든 feature들이 동일한 단위로 표준화되지 않으면 PCA의 성능은 크게 영향을 받을 수 있습니다.

강의에서 지식공유자님이 StandardScaler를 추천한 이유는 PCA 수행 시, 모든 feature의 기여도를 동일하게 맞춰주기 위해서입니다. 하지만 특정 상황에 따라 MinMaxScaler가 더 적합한 경우도 있으니, 실험을 통해 성능 차이를 확인해 보시는 것도 좋은 방법입니다.

관련 질문 URL을 확인해보세요:
- 스케일링 방식 질문: StandardScaler와 MinMaxScaler의 차이에 대해 설명하고 있습니다.
- 스케일링 질문: 스케일링 시 사용할 Scaler의 선택과 적용 방법에 대한 설명입니다.

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다.
현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.