신용카드 회사는 수천 개의 원시 속성(그 중 다수가 높은 상관관계를 가짐)으로 구축된 신용 점수 모델의 훈련 속도를 높이려 합니다. 훈련은 느리고 모델은 과적합됩니다. 많은 정보를 버리지 않으면서 차원과 훈련 시간을 줄일 수 있는 특징 엔지니어링 기법은 무엇입니까?

오토인코더와 PCA는 모두 차원 축소 기술로, 원본 데이터의 가장 중요한 정보를 유지하면서 특징의 수를 줄여줍니다. 이는 훈련 속도를 높이고 과적합을 줄이는 데 효과적입니다. 특징 자체 상관관계를 계산하고 상관관계가 높은 특징을 제거하는 것은 차원을 줄일 수 있지만, 중요한 정보를 놓칠 수 있습니다. 정규화는 훈련 속도를 향상시킬 수 있지만, 차원을 줄이지는 않습니다. k-평균 클러스터링을 통한 샘플링은 훈련 세트의 크기를 줄이지만, 원본 특징의 차원은 그대로 유지되며, 중요한 데이터 패턴을 놓칠 위험이 있습니다.