2026 ADP 실기 13 | PCA·표준화·설명분산·새 자료 변환 — 표·코드·풀이

실기 · 컴퓨터 작업형

완전히 같은 방향으로 움직이는 두 변수로 PCA의 차원 축소와 표준화 효과를 확인합니다. 축의 부호가 반대여도 같은 공간을 나타낼 수 있습니다.

데이터·Python·R 풀이 파일 내려받기 (.zip)

실습 준비

• ZIP을 풀고 데이터 파일과 풀이 코드를 같은 폴더에 둡니다. 원본은 합성된 연습 데이터입니다.
• Python 풀이는 pandas·NumPy와 해당 코드의 scipy 또는 scikit-learn을 사용할 수 있는 환경에서 실행합니다. R 코드가 포함된 경우 base R로 실행할 수 있습니다.
• 먼저 작업 지시만 보고 풀고, 아래 해설에서 결과·분모·자료형을 대조합니다.
• 이 표에서 빈 값은 미입력입니다. 숫자 0이나 문자 NULL로 임의 치환하지 않습니다.

원본 표

작업 1. 관계

x1과x2의 관계를 설명하세요.

작업 2. 표준화

각 변수의 학습 평균과 ddof0 표준편차로 변환하세요.

작업 3. 축

표준화 자료의 첫 주성분 방향을 확인하세요.

작업 4. 설명분산

첫 주성분의 설명분산비를 구하세요.

작업 5. 새 자료

새 자료(6,12)를 기존 평균·스케일·축으로 변환하세요.

작업 6. 해석

설명분산 100%가 인과관계 증명인지 쓰세요.

전체 풀이 — Python

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
d=pd.read_csv("data.csv");x=d[["x1","x2"]]
s=StandardScaler().fit(x);z=s.transform(x)
p=PCA(n_components=2).fit(z)
print(p.components_,p.explained_variance_ratio_)
new=pd.DataFrame({"x1":[6],"x2":[12]})
print(p.transform(s.transform(new)))

같은 계산 — R

d<-read.csv("data.csv")
p<-prcomp(d[,c("x1","x2")],center=TRUE,scale.=TRUE)
print(p$rotation);print(summary(p));print(predict(p,data.frame(x1=6,x2=12)))

제출 전 점검

• 요구한 열·행 수·순서·자료형이 맞는지 결과를 다시 읽습니다.
• 평균·분산·검정에서 분모와 보정 옵션을 확인합니다.
• 학습에서 정한 전처리를 검증·시험에 그대로 적용했는지 확인합니다.
• 설명 문장에서는 유의성과 효과 크기, 예측과 인과를 구분합니다.

범위 확인

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

예상 모의문제입니다.