페드텐서 FedTensor

연관 분석은 대규모 데이터 속에서 항목 간의 유의미한 관계, 즉 '연관 규칙(Association Rule)'을 찾아내는 데이터 마이닝 기법입니다. 특히 "기저귀를 산 고객이 맥주도 함께 구매한다"처럼 상품 구매 데이터에서 규칙을 찾는 경우, 이를 장바구니 분석(Market Basket Analysis)이라고 부릅니다.1. 연관 분석이란 무엇인가요?연관분석은 다음과 같은 규칙을 찾는 것이 목적입니다.A → B"A가 발생하면 B도 함께 발생하는 경향이 있는가?" 예를 들어기저귀 → 맥주커피 → 빵와 같은 규칙을 찾습니다. 여기서 중요한 질문은 세 가지입니다.이런 경우가 얼마나 자주 발생하는가?A가 발생하면 B도 얼마나 자주 따라오는가?그것이 단순한 우연보다 얼마나 더 강한 관계인가?이 세 질문에 각각 대응..

세 기법(PCA, SVD, ICA)은 모두 데이터에 내재된 잠재적인 성분(component)이나 기저(basis)를 찾는다는 공통점이 있습니다. 하지만 무엇을 목표로 삼는지와 찾아내는 성분에 어떤 제약 조건을 거는지에서 근본적인 차이가 발생합니다.기법 비교1. PCA와 SVD: 통계 기법과 그것을 푸는 수학 도구두 기법은 수학적으로 매우 밀접하여 종종 혼용되지만, 개념적인 출발점이 다릅니다.관계: PCA는 통계적인 목표(분산 최대화)를 가진 분석 기법이며, SVD는 그 목표를 달성하기 위한 강력하고 안정적인 수학적 도구입니다. 실제로 데이터의 공분산 행렬을 직접 계산하여 PCA를 수행하는 것보다, 원본 데이터 행렬에 바로 SVD를 적용하여 주성분(Principal Components)을 찾는 방식이 수치..

데이터 분석에서 차원 축소는 고차원의 데이터셋을 저차원으로 변환하여 분석을 용이하게 하고, 시각화하며, 계산 비용을 줄이는 중요한 과정입니다. 다음은 널리 사용되는 7가지 전통적인 차원 축소 기법입니다.1. 주성분 분석 (Principal Component Analysis - PCA)주성분 분석(PCA)은 가장 널리 알려진 비지도 학습 기반의 차원 축소 기법입니다. 데이터의 분산(variance)을 가장 잘 보존하는 새로운 좌표축, 즉 '주성분(Principal Component)'을 찾습니다. 첫 번째 주성분은 데이터의 가장 큰 분산을 설명하며, 두 번째 주성분은 첫 번째와 직교하면서 나머지 분산을 가장 잘 설명하는 축입니다. 이 과정을 통해 원본 데이터의 정보를 최대한 유지하면서 차원을 줄일 수 있습..

선형대수학에서 행렬은 단순히 숫자의 배열이 아니라, 벡터를 다른 벡터로 변환하는 '선형 변환'을 나타냅니다. 행렬식, 고유값, 계수는 이러한 변환의 성질을 파악하는 데 도움을 주는 핵심적인 도구들입니다.1. 행렬식 (Determinant)행렬식은 정사각행렬에 대해서만 정의되는 하나의 스칼라 값입니다. 행렬 $A$의 행렬식은 $\det(A)$ 또는 $|A|$로 표기합니다.기하학적 의미: 행렬식이란 선형 변환이 공간을 얼마나 '확장' 또는 '축소'시키는지를 나타내는 '배율'입니다.2x2 행렬: 변환 후 단위 정사각형이 이루는 평행사변형의 넓이.3x3 행렬: 변환 후 단위 정육면체가 이루는 평행육면체의 부피.만약 행렬식의 값이 0이라면, 해당 변환은 공간을 더 낮은 차원으로 '납작하게' 만듭니다 (예: 3D ..