2026 ADP 필기 4과목 2장 3절 | 다변량 분석·PCA·거리·요인분석 — 객관식 10문제

데이터위자드 ·

2026 ADP 필기 4과목 2장 3절 | 다변량 분석·PCA·거리·요인분석 — 객관식 10문제

필기 · 객관식 4지선다

풀이 방법

객관식 4지선다입니다. 정답과 해설은 각 문제 아래를 눌러 확인하세요.

문제 1

다변량 분석·PCA·거리·요인분석에서 PCA의 목적에 대한 설명으로 옳은 것은?

  1. ① PCA는 타깃을 사용하지 않는 선형 차원 축소 방법이다.
  2. ② 표준화 여부는 결과에 영향이 없다.
  3. ③ 분산이 큰 축은 언제나 인과변수다.
  4. ④ PCA는 반드시 정답 라벨을 사용한다.
정답과 해설 보기

정답 ①

PCA는 원래 변수의 선형 결합으로 서로 직교하는 주성분을 만듭니다. 첫 주성분은 가능한 방향 중 분산을 가장 크게 설명하는 축입니다. 타깃을 사용하지 않는 비지도 차원 축소라는 점이 중요합니다. 분산이 크다고 반드시 예측에 중요한 정보인 것은 아닙니다. 단위가 다른 변수는 표준화 여부가 결과를 크게 바꿀 수 있고, 분석 목적에 맞게 공분산·상관행렬 기반을 선택합니다.

기억할 핵심

PCA는 타깃을 사용하지 않는 선형 차원 축소 방법이다.

문제 2

키cm와연봉원으로 PCA를 할 때 단위 차이를 줄이려면?

  1. ① 연봉 값에 1000을 더하기만 한다.
  2. ② 표준화 후 상관구조를 검토한다.
  3. ③ 컬럼명을 바꾼다.
  4. ④ 정답 라벨을 무조건 추가한다.
정답과 해설 보기

정답 ②

단위와 분산 규모가 큰 변수가 지배하지 않도록 표준화를 검토합니다.

기억할 핵심

PCA는 타깃을 사용하지 않는 선형 차원 축소 방법이다.

문제 3

다변량 분석·PCA·거리·요인분석에서 고유값과 설명분산에 대한 설명으로 옳은 것은?

  1. ① 고유값이 작을수록 항상 더 많은 분산을 설명한다.
  2. ② 축 수는 데이터와 무관하게 항상 1이다.
  3. ③ 고유값을 전체 고유값 합으로 나누면 설명분산비를 구할 수 있다.
  4. ④ 누적 설명분산은 합계가 100%를 무조건 넘는다.
정답과 해설 보기

정답 ③

주성분의 고유값은 해당 축이 설명하는 분산과 연결됩니다. 설명분산비는 고유값/전체 고유값 합입니다. 누적 비율과 스크리 도표로 유지할 축 수를 검토하지만 90% 같은 기준이 모든 과제의 정답은 아닙니다. 차원 축소는 해석과 저장·모형 성능 사이의 균형입니다. 몇 개 축을 고를지 결정할 때 검증 성능과 업무 해석도 함께 보고, 시험자료를 보고 축 수를 반복 조정하지 않습니다.

기억할 핵심

고유값을 전체 고유값 합으로 나누면 설명분산비를 구할 수 있다.

문제 4

고유값이 4,1,1이면 첫 주성분의 설명분산비는?

  1. ① 4%
  2. ② 25%
  3. ③ 100%
  4. ④ 4/6≈66.7%
정답과 해설 보기

정답 ④

전체 분산에 해당하는 고유값 합 6 중 4를 설명하므로약 66.7%입니다.

기억할 핵심

고유값을 전체 고유값 합으로 나누면 설명분산비를 구할 수 있다.

문제 5

다변량 분석·PCA·거리·요인분석에서 적재량과 점수에 대한 설명으로 옳은 것은?

  1. ① 축 부호가 반대면 PCA가 반드시 잘못되었다.
  2. ② 주성분 이름은 자동으로 인과를 증명한다.
  3. ③ 점수는 관측의 새 좌표이고 적재량은 변수와 축의 관계를 해석한다.
  4. ④ 적재량은 관측 행 번호다.
정답과 해설 보기

정답 ③

적재량은 원래 변수와 주성분·요인의 관계를 해석하는 계수이고, 점수는 각 관측이 새로운 축에서 가지는 좌표입니다. 변수에 대한 설명과 관측값의 위치를 섞지 마세요. 주성분 축의 부호는 뒤집혀도 같은 공간을 나타낼 수 있습니다. 변수들이 비슷한 방향으로 적재되는지, 어떤 축이 비용과 만족을 대비하는지 살펴 의미를 붙입니다. 축 이름은 결과와 도메인에 근거해야 하며 자동으로 참된 잠재 개념이 증명되는 것은 아닙니다.

기억할 핵심

점수는 관측의 새 좌표이고 적재량은 변수와 축의 관계를 해석한다.

문제 6

PCA 후 고객별PC1·PC2 좌표를 얻었다. 이것은?

  1. ① 고유값만
  2. ② 범주형 원핫 이름만
  3. ③ 주성분 점수
  4. ④ 회귀 p값
정답과 해설 보기

정답 ③

개별 고객이 주성분 공간에서 가지는 좌표가 점수입니다.

기억할 핵심

점수는 관측의 새 좌표이고 적재량은 변수와 축의 관계를 해석한다.

문제 7

다변량 분석·PCA·거리·요인분석에서 거리와 표준화에 대한 설명으로 옳은 것은?

  1. ① 범주 코드 차이는 언제나 실제 유사성이다.
  2. ② 변수를 1000배 해도 유클리드 거리는 같다.
  3. ③ 거리는 변수의 단위와 선택한 정의에 따라 달라진다.
  4. ④ 모든 거리 정의는 항상 같은 값이다.
정답과 해설 보기

정답 ③

유클리드 거리는 좌표 차이 제곱합의 제곱근, 맨해튼 거리는 절댓값 차이의 합입니다. 변수의 단위와 스케일이 거리와 군집에 영향을 줍니다. 상관된 변수까지 고려하려면 마할라노비스 거리 같은 개념을 검토할 수 있습니다. 범주형 자료에 숫자 코드를 붙이고 유클리드 거리를 적용하면 임의 코드 간 차이에 의미를 부여할 수 있습니다. 자료형과 도메인에 맞는 거리·유사도를 선택하세요.

기억할 핵심

거리는 변수의 단위와 선택한 정의에 따라 달라진다.

문제 8

점(0,0)과(3,4)의 유클리드·맨해튼 거리는?

  1. ① 5와 7
  2. ② 25와 7
  3. ③ 7과 5
  4. ④ 5와 25
정답과 해설 보기

정답 ①

유클리드는√(9+16)=5,맨해튼은 3+4=7입니다.

기억할 핵심

거리는 변수의 단위와 선택한 정의에 따라 달라진다.

문제 9

다변량 분석·PCA·거리·요인분석에서 요인분석과 PCA의 구분에 대한 설명으로 옳은 것은?

  1. ① PCA와 요인분석은 목적과 모형이 완전히 동일하다.
  2. ② 요인분석은 공통 잠재요인으로 관측변수 간 관계를 설명하려 한다.
  3. ③ 요인 수는 관측 행 수와 항상 같다.
  4. ④ 사각 회전은 요인 간 상관을 절대로 허용하지 않는다.
정답과 해설 보기

정답 ②

요인분석은 여러 관측변수의 공통 변동을 잠재요인과 고유요인으로 설명합니다. PCA는 전체 분산을 새 축으로 요약하는 데 초점을 둡니다. 목적·분산 분해의 관점이 다르므로 이름을 바꾸어 같은 방법이라고 보지 않습니다. 회전은 요인 적재 구조를 해석하기 쉽게 만드는 데 쓰며, 직교·사각 회전은 요인 간 상관 허용 여부가 다릅니다. 해석 가능한 구조가 나왔다고 잠재 개념의 타당성이 자동 완성되는 것은 아닙니다.

기억할 핵심

요인분석은 공통 잠재요인으로 관측변수 간 관계를 설명하려 한다.

문제 10

여러 만족도 문항의 공통 잠재 차원을 해석하려 한다. 가까운 방법은?

  1. ① 요인분석
  2. ② 단일 문자 정렬
  3. ③ 거래 롤백
  4. ④ 최댓값 삭제만
정답과 해설 보기

정답 ①

관측 문항 간 공통 구조를 잠재요인으로 설명하려는 목적입니다.

기억할 핵심

요인분석은 공통 잠재요인으로 관측변수 간 관계를 설명하려 한다.

범위 확인

2026년 학습 범위를 기준으로 구성했습니다. 시험 시행기관의 자격 안내·출제 기준에서 과목과 변경 공지를 확인할 수 있습니다.

관련 이론 다시 보기

이전 · 회귀분석·회귀계수·모형 진단

다음 · 시계열·정상성·ARIMA·시계열 검증

ADP 전체 목차

과목별 이론

단원별 객관식

실습

필기 모의고사

서술형

실기 모의고사

예상 모의문제입니다.

스터디클럽의 다른 강의 보기