이 장에서 특성 추출을 위한 두 개의 기본적인 차원 축소 기법을 배웠습니다. PCA와 LDA입니다. 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 2차원 또는 3차원으로 데이터를 시각화하는 데 사용하는 비선형 특성 추출 기법인 t-SNE를 배웠습니다.

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