문제 최종 검수

선택지1

선택지2

선택지3

선택지4

정답

개념 난이도 / 선택지 난이도 / 최종 난이도

키워드

해설

비기봇 해설

정답은 2번입니다.

주성분 분석(PCA)은 고차원 데이터를 저차원으로 변환하여 데이터의 구조를 이해하고 시각화하는 데 유용한 기법입니다. 주성분 분석은 데이터의 분산을 최대한 보존하면서 차원을 축소하는 방법으로, 주로 데이터의 차원을 줄여 분석을 용이하게 하거나 시각화를 위해 사용됩니다.

1. 상관관계가 있는 여러 변수를 선형 결합하여, 서로 상관관계가 없는 새로운 변수를 생성한다. 
: 주성분 분석은 여러 변수들 간의 상관관계를 이용하여 서로 상관관계가 없는 새로운 변수를 생성하는 기법입니다. 이는 원래 변수들의 선형 결합을 통해 이루어지며, 주성분들은 서로 직교하여 다중공선성을 해결할 수 있습니다. 따라서 선지 1은 주성분 분석의 기본 원리를 잘 설명하고 있습니다.

2. 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다. 
: 주성분 분석에서 첫 번째 주성분은 데이터의 변동을 가장 많이 설명하며, 두 번째 주성분은 첫 번째 주성분과 상관성이 없도록 하여 나머지 변동을 설명합니다. 따라서 주성분이 설명하는 분산은 첫 번째 주성분에서 두 번째 주성분으로 갈수록 감소합니다. 선지 2는 이 원리를 잘못 설명하고 있어 부적절합니다.

3. 주성분의 개수는 원래 변수의 개수보다 작거나 같으며, 보통 누적 기여율이 70~90% 이상이 되는 지점까지 선택한다. 
: 주성분의 개수는 원래 변수의 개수보다 작거나 같으며, 보통 고유값이 큰 주성분부터 선택하여 누적 기여율이 70~90% 이상이 되는 지점까지 선택합니다. 이는 주성분 분석의 일반적인 방법론을 잘 설명하고 있습니다.

4. 주성분 분석은 주로 비지도학습 기반의 분류 성능을 높이기 위해 사용되는 기법이다. 
: 주성분 분석은 주로 비지도학습 기반의 차원 축소 기법으로, 데이터의 분산을 최대한 유지하면서 차원을 축소하여 데이터의 이해와 관리에 도움을 줍니다. 이는 분류 성능을 높이기 위한 기법으로도 사용될 수 있습니다. 따라서 선지 4는 주성분 분석의 응용을 잘 설명하고 있습니다.

주성분이 설명하는 분산은 첫 번째 주성분에서 두 번째 주성분으로 갈수록 감소합니다. 나머지 선지들은 주성분 분석의 원리와 응용을 적절히 설명하고 있습니다.

따라서, 정답은 '2. 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다.' 입니다.

1. 선택

키워드

해설

정답은 2번입니다.

주성분 분석(Principal Component Analysis, PCA)은 고차원의 데이터를 저차원으로 변환하여 데이터의 분산을 최대한 유지하면서 차원을 축소하는 기법입니다. 이는 여러 변수들 간의 상관관계를 이용해 소수의 주성분으로 차원을 축소함으로써 데이터를 이해하고 관리하기 쉽게 해줍니다. 주성분은 변수들의 선형 결합으로 구성되며, 서로 직교하여 다중공선성을 해결할 수 있습니다. 첫 번째 주성분은 전체 변동을 가장 많이 설명하고, 두 번째 주성분은 첫 번째 주성분과 상관성이 없도록 하여 나머지 변동을 설명합니다. 주성분의 개수는 보통 고유값이 큰 주성분부터 선택하며, 누적 기여율이 70~90% 이상이 되는 지점까지 선택합니다.

1. 상관관계가 있는 여러 변수를 선형 결합하여, 서로 상관관계가 없는 새로운 변수를 생성한다. 
: 주성분 분석은 여러 변수의 상관관계를 이용하여 서로 상관관계가 없는 새로운 변수를 생성하는 기법입니다. 이는 변수들의 선형 결합을 통해 이루어지며, 주성분 간의 직교성을 통해 다중공선성을 해결할 수 있습니다. 따라서 이 설명은 주성분 분석의 핵심 원리를 잘 설명하고 있습니다.

2. 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다. 
: 주성분 분석에서 첫 번째 주성분은 가장 많은 분산을 설명하며, 두 번째 주성분은 첫 번째 주성분과 상관성이 없도록 하여 나머지 분산을 설명합니다. 따라서 주성분이 설명하는 분산은 첫 번째 주성분에서 두 번째 주성분으로 갈수록 감소합니다. 이 설명은 주성분 분석의 원리에 어긋나므로 적절하지 않습니다.

3. 주성분의 개수는 원래 변수의 개수보다 작거나 같으며, 보통 누적 기여율이 70~90% 이상이 되는 지점까지 선택한다. 
: 주성분의 개수는 원래 변수의 개수보다 작거나 같으며, 보통 고유값이 큰 주성분부터 선택하여 누적 기여율이 70~90% 이상이 되는 지점까지 선택합니다. 이는 주성분 분석의 일반적인 방법론을 잘 설명하고 있습니다.

4. 주성분 분석은 주로 비지도학습 기반의 분류 성능을 높이기 위해 사용되는 기법이다. 
: 주성분 분석은 주로 비지도 학습 기반의 차원 축소 기법으로, 데이터의 분산을 최대한 유지하면서 차원을 축소하여 데이터의 이해와 관리에 도움을 줍니다. 이는 분류 성능을 높이기 위한 기법이라기보다는 데이터의 차원 축소와 이해를 위한 기법입니다. 따라서 이 설명은 주성분 분석의 목적과 다소 다릅니다.

선지 2는 주성분 분석의 원리에 어긋납니다. 주성분 분석에서는 첫 번째 주성분이 가장 많은 분산을 설명하고, 이후 주성분들은 점차적으로 적은 분산을 설명합니다. 따라서 주성분이 설명하는 분산은 감소하는 것이 맞습니다. 나머지 선지들은 주성분 분석의 원리와 목적을 잘 설명하고 있습니다.
따라서, 정답은 '2. 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다.' 입니다.

2. 선택

키워드

해설

정답은 2번입니다.

주성분 분석(Principal Component Analysis, PCA)은 고차원의 데이터를 저차원으로 변환하여 데이터의 분산을 최대한 유지하면서 차원을 축소하는 기법입니다. 이는 여러 변수들 간의 상관관계를 이용하여 소수의 주성분으로 차원을 축소함으로써 데이터를 이해하고 관리하기 쉽게 해줍니다. 주성분은 원래 변수들의 선형 결합으로 구성되며, 서로 직교하여 다중공선성을 해결할 수 있습니다. 첫 번째 주성분은 전체 변동을 가장 많이 설명하고, 두 번째 주성분은 첫 번째 주성분과 상관성이 없도록 하여 나머지 변동을 설명합니다. 주성분의 개수는 보통 고유값이 큰 주성분부터 선택하며, 누적 기여율이 70~90% 이상이 되는 지점까지 선택합니다.

1. 상관관계가 있는 여러 변수를 선형 결합하여, 서로 상관관계가 없는 새로운 변수를 생성한다. 
: 주성분 분석은 여러 변수들 간의 상관관계를 이용하여 서로 상관관계가 없는 새로운 변수를 생성하는 기법입니다. 이는 원래 변수들의 선형 결합을 통해 이루어지며, 주성분들은 서로 직교하여 다중공선성을 해결할 수 있습니다. 따라서 선지 1은 주성분 분석의 기본 원리를 잘 설명하고 있습니다.

2. 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다. 
: 주성분 분석에서 첫 번째 주성분은 데이터의 변동을 가장 많이 설명하며, 두 번째 주성분은 첫 번째 주성분과 상관성이 없도록 하여 나머지 변동을 설명합니다. 따라서 주성분이 설명하는 분산은 첫 번째 주성분에서 두 번째 주성분으로 갈수록 감소합니다. 선지 2는 이 원리를 잘못 설명하고 있어 부적절합니다.

3. 주성분의 개수는 원래 변수의 개수보다 작거나 같으며, 보통 누적 기여율이 70~90% 이상이 되는 지점까지 선택한다. 
: 주성분의 개수는 원래 변수의 개수보다 작거나 같으며, 보통 고유값이 큰 주성분부터 선택하여 누적 기여율이 70~90% 이상이 되는 지점까지 선택합니다. 이는 주성분 분석의 일반적인 방법론을 잘 설명하고 있습니다.

4. 주성분 분석은 주로 비지도학습 기반의 분류 성능을 높이기 위해 사용되는 기법이다. 
: 주성분 분석은 주로 비지도학습 기반의 차원 축소 기법으로, 데이터의 분산을 최대한 유지하면서 차원을 축소하여 데이터의 이해와 관리에 도움을 줍니다. 이는 분류 성능을 높이기 위한 기법으로도 사용될 수 있습니다. 따라서 선지 4는 주성분 분석의 응용을 잘 설명하고 있습니다.

선지 2는 주성분 분석의 원리를 잘못 설명하고 있습니다. 주성분이 설명하는 분산은 첫 번째 주성분에서 두 번째 주성분으로 갈수록 감소합니다. 나머지 선지들은 주성분 분석의 원리와 응용을 적절히 설명하고 있습니다.
따라서, 정답은 '2. 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다.' 입니다.

3. 선택

키워드

해설

정답은 2번입니다.

주성분 분석(PCA)은 고차원 데이터를 저차원으로 변환하여 데이터의 구조를 이해하고 시각화하는 데 유용한 기법입니다. 주성분 분석은 데이터의 분산을 최대한 보존하면서 차원을 축소하는 방법으로, 주로 데이터의 차원을 줄여 분석을 용이하게 하거나 시각화를 위해 사용됩니다.

1. 상관관계가 있는 여러 변수를 선형 결합하여, 서로 상관관계가 없는 새로운 변수를 생성한다.
: 주성분 분석은 상관관계가 있는 여러 변수를 선형 결합하여 서로 상관관계가 없는 새로운 변수를 생성합니다. 이 새로운 변수들은 주성분이라고 불리며, 데이터의 분산을 최대한 설명하도록 설계됩니다.

2. 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다.
: 주성분 분석에서 제1주성분은 데이터의 분산을 가장 많이 설명하며, 그 다음 주성분들은 점차적으로 적은 분산을 설명합니다. 따라서 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 감소합니다.

3. 주성분의 개수는 원래 변수의 개수보다 작거나 같으며, 보통 누적 기여율이 70~90% 이상이 되는 지점까지 선택한다.
: 주성분의 개수는 원래 변수의 개수보다 작거나 같으며, 보통 누적 기여율이 70~90% 이상이 되는 지점까지 선택합니다. 이는 데이터의 대부분의 분산을 설명할 수 있는 주성분의 수를 선택하는 기준이 됩니다.

4. 주성분 분석은 주로 비지도학습 기반의 분류 성능을 높이기 위해 사용되는 기법이다.
: 주성분 분석은 주로 비지도학습 기반의 차원 축소 기법으로 사용되며, 분류 성능을 높이기 위해 전처리 단계로 활용될 수 있습니다. 그러나 주성분 분석 자체가 분류 기법은 아닙니다.

주성분 분석에서 제1주성분은 데이터의 분산을 가장 많이 설명하고, 그 다음 주성분들은 점차적으로 적은 분산을 설명합니다. 따라서 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 감소해야 합니다. 따라서 '제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다'는 설명은 잘못된 것입니다. 다른 선택지들은 주성분 분석의 특성을 올바르게 설명하고 있습니다.

따라서, 정답은 '2. 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다.' 입니다.

4. 선택

키워드

해설

정답은 2번입니다.

주성분 분석(PCA)은 데이터의 차원을 축소하는 기법으로, 데이터의 변동성을 최대한 보존하면서 변수의 수를 줄이는 데 사용됩니다. 이는 데이터의 상관관계를 고려하여 새로운 축을 생성하고, 이 축을 따라 데이터를 투영하여 차원을 축소합니다. 주성분은 원래 변수의 선형 결합으로 생성되며, 각 주성분은 데이터의 분산을 최대한 설명하도록 정렬됩니다.

1. 상관관계가 있는 여러 변수를 선형 결합하여, 서로 상관관계가 없는 새로운 변수를 생성한다.
: 주성분 분석은 상관관계가 있는 여러 변수를 선형 결합하여, 서로 상관관계가 없는 새로운 변수를 생성합니다. 이 새로운 변수들은 주성분이라고 불리며, 데이터의 분산을 최대한 설명하도록 설계됩니다.

2. 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다.
: 주성분 분석에서 제1주성분은 데이터의 분산을 가장 많이 설명하며, 그 다음 주성분들은 점차적으로 적은 분산을 설명합니다. 따라서 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 감소합니다.

3. 주성분의 개수는 원래 변수의 개수보다 작거나 같으며, 보통 누적 기여율이 70~90% 이상이 되는 지점까지 선택한다.
: 주성분의 개수는 원래 변수의 개수보다 작거나 같으며, 보통 누적 기여율이 70~90% 이상이 되는 지점까지 선택합니다. 이는 데이터의 대부분의 변동성을 설명할 수 있는 주성분의 수를 선택하는 기준이 됩니다.

4. 주성분 분석은 주로 비지도학습 기반의 분류 성능을 높이기 위해 사용되는 기법이다.
: 주성분 분석은 주로 차원 축소를 통해 데이터의 구조를 파악하거나, 데이터 시각화, 노이즈 제거 등에 사용됩니다. 비지도학습 기반의 분류 성능을 높이기 위한 기법으로 사용되기도 하지만, 주된 목적은 아닙니다.

제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 감소합니다. 이는 주성분 분석의 기본 원리로, 제1주성분이 가장 많은 분산을 설명하고, 그 다음 주성분들이 점차적으로 적은 분산을 설명하기 때문입니다. 따라서 2번 선지가 가장 적절하지 않은 설명입니다. 다른 선택지들은 주성분 분석의 원리와 목적에 부합합니다.

따라서, 정답은 '2. 제1주성분에서 제2주성분으로 갈수록 각 주성분이 설명하는 분산은 증가한다.' 입니다.

입력 데이터

수정 가능 범위 확인