# PCA (주성분 분석)

{{ https://i.imgur.com/aBvAyge.jpg?300 }}

[[PCA]]로 고차원의 [[Feature]] 중 중요한 몇 가지를 추출(extract)

### PCA 이해

https://blog.naver.com/hancury/221215245092

분산이 크다 = 주어진 정보가 많다

주어진 데이터의 분산을 표현할 수 있는 벡터를 찾을 수 있다면,

그 중 표현력이 큰 벡터를 선별 후 원본 데이터를 투영

k차원의 새로운 데이터 셋으로 재구성 (k < d)

### PCA

<code py>
from sklearn.decomposition import PCA

pca = PCA(n_components=60, svd_solver='full')

dummied = dummied.drop(columns=['id', 'income_<=50K', 'income_>50K'])

X_train_std = st_scaler.fit_transform(dummied)
X_train_pca = pca.fit_transform(X_train_std)

</code>