AI › 산업 AI 응용

이상 탐지Anomaly Detection

정상 데이터로 정상의 모양을 학습해 두고, 새 관측이 그 모양에서 벗어난 정도를 점수로 매겨 임계값을 넘으면 이상으로 판정하는 기술이다.

1요약

  1. 이상 탐지는 정상 구간의 데이터로 정상 모델을 맞추고 새 관측의 벗어난 정도를 점수로 매겨 임계값으로 가르는 기술로, Chandola 외(2009)가 이상을 점 · 문맥 · 집단 세 종류로 정리했으며 설비 센서 감시와 예지 보전의 고장 징후 포착이 그 위에서 돈다.
  2. 고장 레이블은 드물고 모든 고장 모양을 미리 알 수 없어 정상만으로 학습해야 하는데, 센서마다 3σ 한계를 따로 두면 센서 사이 관계가 깨진 이상을 놓친다 — 펌프 가정 사례에서 변수별 3σ 는 심은 이상 68점 중 21점, 세 센서를 함께 본 PCA 재구성 오차는 57점을 잡았다.
  3. 「경보가 너무 많다 · 너무 늦다」는 정상 점수 분포와 임계값의 관계로 가른다 — 정상 점수가 임계값을 넘어오면 정상 기준이 옮겨 간 것이고, 이상 점수가 정상 분포 안에 묻혀 있으면 임계값이 아니라 특징을 바꿀 문제다.

2등장 배경

설비 경보는 오래도록 센서마다 손으로 정한 고정 상한 · 하한이었다. 부하가 하루 동안 오르내리는 펌프에서 낮 부하에 맞춘 한계는 새벽의 이상을 보지 못하고, 한계를 좁히면 낮마다 경보가 울린다. 고장 사례도 드물어 고장 데이터로 분류기를 학습하기 어렵다 — 모든 이상 유형을 덮는 레이블은 정상 레이블보다 얻기 어렵다(Chandola 2009 2.3절).

출발점은 Shewhart(1931)의 공정 관리 규칙, 곧 평균에서 3σ 밖의 관측을 이상으로 보는 방법이다(Chandola 2009 7.1.1절). 정규 분포에서 3σ 한계 밖으로 나갈 확률은 양쪽 합 0.0027 이다(NIST 6.3.1). 2000년 Breunig 외는 이웃과 견준 국소 밀도로 점수를 매기는 LOF 를, 2008년 Liu · Ting · Zhou 는 무작위 분할로 빨리 고립되는 점을 이상으로 보는 Isolation Forest 를 냈고(Liu 2008), 2009년 Chandola · Banerjee · Kumar 의 종설이 방법을 분류 · 최근접 이웃 · 군집 · 통계 · 정보 이론 · 스펙트럼 여섯 계열로 묶었다.

2018년 Hundman 외는 NASA 의 SMAP 위성과 화성 탐사 로버 Curiosity 원격 측정에서 LSTM 예측 오차에 비모수 동적 임계값을 걸어 운영 인력의 감시 부담을 줄였다(Hundman 2018). scikit-learn 1.9.1 은 IsolationForest · LocalOutlierFactor · OneClassSVM · EllipticEnvelope 을 같은 fit · predict API 로 제공한다(scikit-learn 2.7). 산업 AI 에서 이상 탐지는 «지금 정상과 다른가»를 판정하는 앞 단계이고, 고장 시점 예측과 정비 결정은 예지 보전이 맡는다.

3쉽게 이해하기 — 아파트 경비원 민수의 수첩

경비원 민수는 첫 주 동안 시간대마다 들리는 소리와 엘리베이터 운행 횟수를 근무 일지에 적었다. 둘째 주부터는 지금 장면을 일지 속 같은 시간대와 견주어 「평소와 다른 정도」를 수첩에 점수로 적고, 점수가 신고 기준선을 넘으면 관리소장을 부른다. 한밤의 쿵 소리, 새벽 2시에 낮처럼 붐비는 엘리베이터, 며칠째 조금씩 커지는 물 새는 소리가 그렇게 걸린다. 관리소장이 가 보고 「진짜」 · 「괜찮음」을 일지에 남기면 다음 주 기준선이 더 정확해진다.

한밤 쿵 소리 평소에 없던 큰 값 점 이상 새벽에 낮처럼 붐빔 낮이라면 평범한 값 문맥 이상 조금씩 커지는 물소리 하나씩은 작은 변화 집단 이상 평소와 다른 장면 1 첫 주 근무 일지 시간대별 평소 정상 데이터 학습 2 경비원 민수 지금 ↔ 같은 시간대 정상 모델 문맥 비교 3 수첩 점수 · 기준선 넘으면 신고 이상 점수 임계값 4 관리소장 가서 확인 경보 사람 확인 「진짜 · 괜찮음」을 일지에 남김 5 레이블 되먹임 데이터 모델 · 판정 규칙 점수 · 평가 사람 레이블 이상

그림 1 · 민수는 평소를 먼저 배우고, 지금 장면의 다른 정도를 점수로 적어 기준선을 넘을 때만 사람을 부른다.

일지 쓰기첫 주 평소를 기록
견주기지금 ↔ 같은 시간대
점수 적기다른 정도를 숫자로
기준선넘을 때만 신고
부르기관리소장 확인
결과 남김진짜 · 괜찮음
비유 — 시간대가 정하는 평소 실제 — 부하가 정하는 정상 진동 엘리베이터 운행 횟수(1시간) 14시 평소 28회 02시 평소 4회 02시 그날 26회 26회는 14시라면 평범한 값이다 같은 값도 시간대가 정상 · 이상을 가른다 진동 RMS(mm/s) 2.0 2.5 3.0 0.5 1.0 부하(0.5 = 02시 · 1.0 = 14시) 14시 정상 2.8 02시 그날 2.75 점선 길이 = 재구성 오차(점수) 정상 선 · 정상 범위 이상 오른쪽 괄호 = 진동만 본 학습 범위 1.79 ~ 3.03 — 2.75 는 그 안

그림 2 · 같은 26회 · 같은 2.75 mm/s 도 시간대와 부하에 따라 정상 · 이상이 갈리고, 정상 선까지의 거리가 점수가 된다.

비유 속 역할실제 이름실제로 하는 일
첫 주 근무 일지정상 학습 데이터정상 구간 1,008점으로 정상 모델을 맞춘다
경비원 민수정상 모델부하와 센서 값 사이의 평소 관계를 담는다
같은 시간대와 견주기문맥 속성 · 전처리부하 · 시간 같은 조건 아래에서 값을 비교한다
수첩 점수이상 점수재구성 오차 · 고립 경로 길이 같은 숫자 하나로 벗어난 정도를 적는다
신고 기준선임계값학습 점수의 99.5 백분위 0.679 를 넘으면 경보
조금씩 커지는 물소리집단 이상하나씩은 정상 같아도 이어진 구간 전체가 이상이다
관리소장 호출경보운전 · 정비 담당자에게 알린다
「진짜 · 괜찮음」 기록레이블 되먹임 · 평가정밀도 · 재현율 계산과 재학습에 쓴다

⚠ 비유가 맞지 않는 곳: 민수는 왜 이상한지 이유를 짐작하지만 모델은 점수 하나만 내고 원인은 사람과 다른 진단이 가린다. 민수는 새 이상을 한 번 보면 기억하지만 모델은 재학습해야 기준이 바뀐다.

4구조 — 정상 모델 · 이상 점수 · 임계값

이상 탐지는 어떤 방법이든 정상 모델 → 이상 점수 → 임계값 세 요소로 이루어진다. 출력은 점수 순위이거나 정상 · 이상 레이블이며, 점수를 내면 현장 사정에 맞는 임계값을 사람이 고를 수 있다(Chandola 2009 2.4절).

이상 탐지의 처리 구성 센서 데이터 전류 · 진동 · 온도 10분 간격 전처리 표준화 · 창 특징 부하 · 시간 문맥 정상 모델 정상 구간만 학습 준지도 방식 이상 점수 벗어난 정도 클수록 이상 임계값 · 판정 학습 점수 백분위 넘으면 경보 정상 모델 계열 — 하나를 고른다 통계 평균에서 거리 — 3σ · 마할라노비스 거리 · 밀도 이웃과 밀도 비교 — k-NN · LOF 고립 분할 경로 길이 — Isolation Forest 재구성 복원 오차 — PCA · 오토인코더 경보 · 확인 담당자 확인 진짜 · 오경보 재학습 이상의 종류 점 이상 문맥 이상 집단 이상 데이터 모델 · 판정 규칙 점수 사람 이상 점선 = 계열 중 택일

그림 3 · 방법 계열은 정상 모델만 바꾸고, 점수 → 임계값 → 사람 확인 → 재학습의 고리는 그대로다.

요소역할사례 값(그림 4)근거
센서 데이터정상 · 시험 구간의 관측3센서 · 10분 간격 · 학습 1,008점 · 시험 432점가정 값
전처리단위를 맞추고 문맥을 넣음학습 세트 평균 · 표준편차로 표준화scikit-learn 2.7
정상 모델정상 데이터의 모양을 담음PCA 주성분 1개 · 설명 분산 0.959Chandola 2009 9절
이상 점수벗어난 정도를 숫자 하나로재구성 오차 제곱합 · 정상 중앙값 0.083PCA inverse_transform
임계값점수를 정상 · 이상으로 가름학습 점수 99.5 백분위 = 0.679scikit-learn 2.7.3.3 offset_
평가 지표경보 품질을 잼정밀도 · 재현율 · F1scikit-learn 3.4.4.9
이상 종류뜻사례
점 이상관측 하나가 나머지 전체와 다름(Chandola 2009 2.2.1절)진동 6.1 mm/s 한 점
문맥 이상특정 문맥(시간 · 부하)에서만 이상(2.2.2절)새벽 저부하에 낮 수준 진동 2.75 mm/s
집단 이상낱개는 정상이나 이어진 구간이 이상(2.2.3절)8시간 동안 온도 +8 °C 서서히 오름

레이블 쓰임으로 보면 정상 · 이상 레이블을 모두 쓰는 지도, 정상만 쓰는 준지도, 레이블 없이 이상이 드물다고 가정하는 비지도 세 방식이 있다(Chandola 2009 2.3절). 설비 감시는 정상 운전 기록이 많고 고장 기록이 드물어 대개 준지도로 시작한다.

5동작 — 펌프 센서 3일 감시

scikit-learn 1.9.1 · NumPy 2.5.4 · random_state=0 으로 직접 실행한 사례다. 펌프 한 대의 센서 값은 설명용 가정 값이며, 부하가 02시 0.5 에서 14시 1.0 으로 하루 한 번 오르내리고 세 센서가 그 부하를 따라 움직인다.

  1. 정상 7일 1,008점을 학습 세트로 만든다 — 모터 전류 25.7 ~ 36.3 A · 진동 RMS 1.79 ~ 3.03 mm/s · 베어링 온도 49.2 ~ 58.4 °C. 이어지는 시험 3일 432점에 이상 68점을 심는다.
  2. StandardScaler 를 학습 세트로만 맞춰 세 센서를 표준화한다 — 진동은 평균 2.40 · 표준편차 0.294 mm/s 로 나눈다.
  3. PCA(n_components=1) 로 정상 모델을 맞춘다 — 주성분 하나가 분산의 0.959 를 설명하고 세 센서의 가중치가 0.58 · 0.58 · 0.58 로 같다(부하 하나가 셋을 움직인다).
  4. 학습 점수(재구성 오차 제곱합)의 99.5 백분위 0.679 를 임계값으로 정한다 — 정상 운전에서 200점에 1점꼴로 경보를 허용한다는 뜻이다.
  5. 1일차 13:20 · 13:30 진동이 5.8 · 6.1 mm/s 로 튄다(점 이상) — 점수 69.7 · 80.7 로 2점 모두 경보.
  6. 2일차 01:00 ~ 03:50 저부하(전류 평균 27.8 A)인데 진동이 2.66 ~ 2.88 mm/s 다(문맥 이상) — 값은 학습 범위 안이지만 전류와의 관계가 깨져 최소 점수 3.11 · 18점 모두 경보.
  7. 3일차 06:00 부터 8시간 동안 베어링 온도가 +0.17 에서 +8.0 °C 까지 오른다(집단 이상) — 07:30(+1.67 °C)에 첫 경보 · 48점 중 37점 경보.
  8. 경보 57점이 모두 실제 이상이라 정밀도 1.000 · 재현율 0.838(57/68) · F1 0.912 다. 같은 시험에 센서별 |z| > 3 규칙을 쓰면 경보 21점 · 재현율 0.309 이고, 문맥 이상은 0/18, 집단 이상의 첫 경보는 10:40(+4.83 °C)이다.

같은 99.5 백분위 임계값의 IsolationForest(기본 100그루 · 부분 표본 256)는 68점 중 8점만 넘었다. 시험 정상 점의 최고 점수(0.657)가 점 이상(0.578 · 0.637)보다 높았다 — 하루 부하 주기의 양 끝 정상 점도 무작위 분할 몇 번에 고립되기 때문이다(점수 = Liu 2008 2절 식 (2)의 s).

시간마다 최대 이상 점수 — PCA 재구성 오차(가정 값) 100 10 1 0.1 1일차 2일차 3일차 4 임계값 0.679 5 점 이상 · 진동 6.1 6 문맥 이상 · 18/18 7 집단 이상 · 37/48 시간마다 최대 점수 임계값 심은 이상 구간 센서별 3σ 규칙 경보

그림 4 · 점수는 세 이상 구간에서만 임계값을 넘고, 서서히 오르는 집단 이상은 처음 1시간 반 동안 임계값 아래에 머문다.

이상 점수 분포 — 시험 432점(정상 364 · 이상 68) 99.5 백분위 0.679 오경보 0 · 놓침 11 95 백분위 0.391 오경보 16 · 놓침 11 0.001 0.01 0.1 1 10 100 이상 점수(로그 눈금 · 구간 너비 = 10의 0.25 제곱배) 놓친 11점 = 집단 이상 앞부분 9점(+1.5 °C 이하) + 첫 경보 뒤 2점 — 점수가 정상 점수와 같은 범위다 정상(위 · 1점 = 2px) 이상(아래 · 같은 눈금) 95 백분위 99.5 백분위

그림 5 · 임계값을 95 백분위로 내리면 오경보만 16점 늘고, 정상 점수와 같은 범위에 묻힌 집단 이상 11점은 두 임계값 모두에서 남는다.

🔑 임계값은 오경보와 놓침을 맞바꿀 뿐이다 — 정상 점수와 같은 범위에 묻힌 이상은 임계값이 아니라 점수를 만드는 특징(창 · 추세)을 바꿔야 잡힌다.

6비교 — 정상 모델 계열의 차이

기준통계(3σ)거리 · 밀도(LOF)고립(Isolation Forest)재구성(PCA · 오토인코더)
정상의 정의평균 ± 3σ 안(Chandola 2009 7.1.1절)이웃과 국소 밀도가 비슷함(scikit-learn 2.7.3.3)고립에 분할이 많이 필요함(Liu 2008 2절)적은 성분으로 복원됨(Chandola 2009 9절)
점수표준화 거리 |z|이웃 평균 밀도 ÷ 자기 밀도s = 2^(−E(h)/c(n)) · 1 에 가까울수록 이상재구성 오차
센서 사이 관계 깨짐(사례 문맥 이상)센서별로 보면 못 잡음(0/18)이웃 거리에 관계가 반영됨축에 나란한 분할 · 사례 4/18잡음(18/18)
주요 설정한계 배수 3이웃 수(n_neighbors 20 이 대체로 맞음)100그루 · 부분 표본 256(Liu 2008 4.1절)남길 성분 수
경보 원인 설명넘은 센서가 바로 보임이웃 대비 밀도만 보임경로 길이만 보임센서별 오차 기여로 가림

분석센서 수가 적고 서로 독립이면 통계 한계로 충분하고, 센서가 부하 하나에 함께 묶여 움직이면 재구성 계열을, 운전 모드가 여러 덩어리로 나뉘면 국소 밀도(LOF)나 고립 계열을 먼저 시험한다. 근거는 표의 「센서 사이 관계 깨짐」 행 — 사례의 세 센서는 주성분 하나가 분산 0.959 를 설명해 재구성 계열이 18/18, 센서별 3σ 가 0/18 이었다.

7실무 진단 — 오경보와 놓침의 단계 가르기

분석경보가 많으면 임계값을 올리기 전에 정상 기준이 옮겨 갔는지를, 놓침이 있으면 임계값을 내리기 전에 점수가 이상을 구분하는지를 먼저 본다. 임계값은 정상 점수 분포의 백분위로 정해지므로(scikit-learn 2.7.3.3 offset_), 분포 자체가 바뀐 문제를 임계값으로 고치면 다른 쪽 오류가 늘어난다(그림 5).

#증상의심 원인단계확인 자료판정 기준(근거)
1정비 · 센서 교체 뒤 경보가 하루 수십 건정상 기준 이동 — 학습 구간이 옛 정상정상 모델최근 정상 구간과 학습 구간의 센서별 평균 · 표준편차 · 점수 분포최근 정상 점수의 99.5 백분위가 임계값을 넘으면 재학습(임계값 = 학습 점수 백분위 · scikit-learn 2.7.3.3)
2경보가 특정 시간대 · 부하 구간에 몰림문맥 속성(부하 · 품종 · 시간)을 특징에 넣지 않음전처리시간대 · 부하 구간별 경보 수한 구간에 몰리면 문맥 속성과 행동 속성을 나눠 다시 학습(Chandola 2009 2.2.2절)
3고장 전 경보가 없거나 늦음서서히 변하는 집단 이상을 점 단위 점수로 봄이상 점수고장 전 구간의 점수 추세 · 이동 평균 · 기울기 특징점수가 오르는데 임계값 아래에 머물면 창 특징 추가(Chandola 2009 2.2.3절 · 그림 5)
4학습 점수 분포가 넓고 오경보도 많음학습 데이터에 이상이 섞임데이터 준비학습 구간 정비 기록 · 상위 점수 점 목록비지도 방식은 이상이 드물다는 가정 — 어기면 오경보가 늘어남(Chandola 2009 2.3.3절)
5정확도 0.9 이상인데 고장을 놓침이상 비율이 낮아 정확도가 무의미평가정밀도 · 재현율 · F1모두 정상이라 해도 사례 정확도 0.843 — 재현율로 판정(scikit-learn 3.4.4.9)

가려내는 순서는 데이터 준비 → 정상 모델 → 전처리 → 이상 점수 → 임계값이다. 학습 데이터가 오염되면 그 뒤 모든 단계의 분포가 틀어지므로 정비 기록과 학습 구간을 맞추는 일이 먼저다.

8시험 대비

출제 정보 정보관리(140회, 139회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 정상 모델 · 이상 점수 · 임계값의 구성과 이상의 세 종류를 쓰는 정의 · 특징형, 그리고 통계 한계에서 고립 · 재구성 · 딥러닝 예측 오차와 동적 임계값으로 넘어온 흐름을 쓰는 동향 · 발전형이 나올 수 있다. 정밀도 · 재현율과 임계값의 관계를 수치로 보이면 정의 수준을 넘는다.

답안 목차
  1. 개요 — 정의(정상 모델 · 이상 점수 · 임계값) · 레이블이 드문 이유 · 예지 보전과의 경계 한 줄
  2. 이상 종류와 학습 방식 — 점 · 문맥 · 집단(Chandola 2009 2.2절) · 지도 · 준지도 · 비지도 표
  3. 처리 구성 — 그림 3 구성도(센서 → 전처리 → 정상 모델 → 점수 → 임계값 → 확인 · 재학습)
  4. 탐지 방법 비교 — 통계 · 거리 밀도 · 고립 · 재구성 비교표 · Isolation Forest 점수식 s = 2^(−E(h)/c(n))
  5. 평가와 임계값 — 그림 4 사례(재현율 0.838 대 0.309) · 그림 5 점수 분포(오경보 16 → 0)
  6. 동향과 적용 — LSTM 예측 오차 · 동적 임계값(Hundman 2018) · 정상 기준 이동 대응 · 예지 보전 연계

꼭 쓸 키워드
정상 모델이상 점수임계값점문맥집단 이상준지도 학습Isolation ForestLOF재구성 오차정밀도재현율정상 기준 이동

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 정상 · 이상 점수 분포에 임계값 두 개를 그어 오경보와 놓침을 숫자로 보이는 것이다 — 「임계값을 적절히 설정한다」 한 줄이 판단 근거로 바뀐다.

9오해와 사실

  • 오해정확도가 높으면 좋은 이상 탐지기다.
    사실사례 시험 432점에서 모두 정상이라 답해도 정확도는 0.843 이고 재현율은 0 이다 — 이상이 드문 데이터는 정밀도 · 재현율로 잰다(scikit-learn 3.4.4.9).
  • 오해값이 정상 범위 안이면 정상이다.
    사실사례의 문맥 이상 진동 2.66 ~ 2.88 mm/s 는 학습 범위 1.79 ~ 3.03 mm/s 안이지만, 같은 시각 부하에서는 이상이다(Chandola 2009 2.2.2절 문맥 이상).
  • 오해이상 탐지를 하려면 고장 데이터가 많이 있어야 한다.
    사실준지도 방식은 정상 레이블만으로 정상 모델을 만든다(Chandola 2009 2.3.2절) — 사례의 학습 1,008점에는 고장이 하나도 없다.

10핵심 정리

구분맡는 일대표 값 · 식사례 값도구(scikit-learn)흔한 실패
점 이상한 관측의 튐평균에서 거리진동 6.1 mm/s · 2/2EllipticEnvelope센서 고장 튐을 설비 이상으로 봄
문맥 이상조건 속 이상문맥 속성 + 행동 속성저부하 진동 2.75 · 18/18PCA 재구성부하를 특징에서 뺌
집단 이상이어진 구간의 이상창 · 추세 특징온도 +8 °C · 37/48이동 평균 전처리점 단위 점수로만 봄
정상 모델정상의 모양 학습통계 · 밀도 · 고립 · 재구성주성분 1개 · 0.959fit(정상 구간)학습 데이터 오염
이상 점수벗어난 정도s = 2^(−E(h)/c(n)) · 재구성 오차정상 중앙값 0.083score_samples점수 방향(클수록 · 작을수록) 혼동
임계값경보 판정학습 점수 백분위0.679(99.5 백분위)contamination · offset_기준 이동을 임계값으로 덮음
평가경보 품질정밀도 · 재현율 · F11.000 · 0.838 · 0.912precision_score · recall_score정확도만 봄

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Anomaly Detection: A Survey (ACM Computing Surveys 41(3) Article 15) — 이상의 세 종류와 지도 · 준지도 · 비지도 방식 분류를 볼 때
    ACM · 2009-07 · doi.org/10.1145/1541880.1541882 · 확인 2026-11-03
  3. ★ Isolation Forest (2008 Eighth IEEE International Conference on Data Mining 413-422) — 분할 경로 길이로 이상 점수를 매기는 원리를 볼 때
    IEEE · 2008-12 · doi.org/10.1109/ICDM.2008.17 · 확인 2026-11-03
  4. ★ scikit-learn 1.9.1 User Guide 2.7 Novelty and Outlier Detection — 탐지기 API 와 contamination · offset_ 임계값을 따라 해 볼 때
    scikit-learn developers · 2026-11 · scikit-learn.org/stable/modules/outlier_detection.html · 확인 2026-11-03
  5. ★ scikit-learn 1.9.1 User Guide 3.4 Metrics and scoring: quantifying the quality of predictions — 정밀도 · 재현율 · F1 로 경보 품질을 잴 때
    scikit-learn developers · 2026-11 · scikit-learn.org/stable/modules/model_evaluation.html · 확인 2026-11-03
  6. ★ Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding (KDD 2018) — 센서 시계열의 예측 오차와 동적 임계값 적용 사례를 볼 때
    ACM · 2018-08 · arxiv.org/abs/1802.04431 · 확인 2026-11-03
  7. 본문 근거
  8. NIST/SEMATECH e-Handbook of Statistical Methods 6.3.1 What are Control Charts? — NIST · 2026-11 · www.itl.nist.gov/div898/handbook/pmc/section3/pmc31.htm · 확인 2026-11-03
  9. LOF: Identifying Density-Based Local Outliers (ACM SIGMOD 2000 93-104) — ACM · 2000-05 · doi.org/10.1145/342009.335388 · 확인 2026-11-03
  10. scikit-learn 1.9.1 API sklearn.ensemble.IsolationForest — scikit-learn developers · 2026-11 · scikit-learn.org/stable/modules/generated/sklearn.ensemble.IsolationForest.html · 확인 2026-11-03
  11. scikit-learn 1.9.1 API sklearn.decomposition.PCA — scikit-learn developers · 2026-11 · scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html · 확인 2026-11-03