머신러닝이나 AI에서 데이터를 다룰 때, 우리가 사용하는 데이터에는 많은 특성(특징)이 있습니다.

예를 들어 우리가 어떤 학생이 대학에 합격할지를 예측한다고 가정해 보겠습니다.

학생 데이터를 보면 다음과 같은 특성들이 있습니다.

• 성적(국어, 수학, 영어 점수)
• 출석률
• 동아리 활동
• 운동 실력
• SNS 사용 시간
• 독서량

하지만 이 모든 정보가 대학 합격 여부와 관련이 있을까요?

운동 실력이나 SNS 사용 시간은 합격률을 예측하는데 큰 영향을 미치지 않을 수 있습니다.

그래서 AI 모델을 학습할 때는 중요한 특성만 골라서 사용하는 특성 선택(Feature Selection)이나 여러 특성을 합쳐서 더 적은 개수의 특성으로 바꾸는 차원 축소(Dimensionality Reduction)를 사용할 수 있습니다.

특성 선택은 중요한 특성만 골라서 사용하는 과정입니다.

즉, 대학 합격에 영향이 클 것 같은 정보만 남기고, 나머지는 버리는 것입니다.

• "국어, 수학, 영어 점수" → 중요할 가능성이 높음 ✅
• "출석률" → 중요할 수 있음 ✅
• "운동 실력" → 별로 중요하지 않음 ❌
• "SNS 사용 시간" → 관련이 적을 수도 있음 ❌

특성 선택을 하면 중요한 정보만 남기고, 쓸데없는 정보는 버릴 수 있습니다.

이렇게 하면 계산이 빨라지고, 예측이 더 정확해질 수 있습니다.

차원 축소는 여러 특성을 합쳐서 더 적은 개수의 특성으로 바꾸는 방법입니다.

특성 선택이 "필요 없는 걸 버리는 것"이라면, 차원 축소는 "비슷한 것끼리 합치는 것"이라고 볼 수 있습니다.

"국어 점수 + 영어 점수 + 수학 점수" → 하나의 "학업 성취도" 점수로 바꾸기 ✅

이렇게 하면 정보를 최대한 유지하면서도, 다뤄야 할 특성의 개수를 줄일 수 있습니다.

대표적인 방법 중 하나로 PCA(주성분 분석, Principal Component Analysis)라는 기법을 사용합니다.

두 개념을 요약하면 다음과 같습니다.

✅ 특성 선택: 중요한 것만 남기기 (불필요한 특성 제거)

✅ 차원 축소: 비슷한 것끼리 합쳐서 개수 줄이기

다음 시간에는 지도 학습에서 데이터의 정답 역할을 하는 레이블(Label)에 대해 알아보겠습니다.