이 장에서 특성 추출을 위한 세 개의 기본적인 차원 축소 기법을 배웠습니다. 기본 PCA, LDA, 커널 PCA입니다. PCA는 클래스 레이블을 시용하지 않고 직교하는 특성 축을 따라 분산이 최대가 되는 저차원 부분 공간으로 데이터를 투영합니다. PCA와 다르게 LDA는 지도 학습 방법의 차원 축소 기법입니다. 훈련 데이터셋에 있는 클래스 정보를 사용하여 선형 특성 공간에서 클래스 구분 능력을 최대화합니다.

마지막으로 비선형 특성 추출 방법인 커널 PCA를 배웠습니다. 커널 트릭과 고차원 특성 공간으로의 가상 투영을 통하여 비선형 특성을 가진 데이터셋을 저차원 부분 공간으로 극적으로 압축합니다. 이 부분 공간에서 클래스는 선형적으로 구분될 수 있습니다.

이런 핵심 전처리 기법을 익혔으므로 다음 장에서 여러 가지 전처리 기법을 연결하고 모델 성과를 평가하기 위한 모범 사례를 배우겠습니다.