Machine learning
تحليل المكونات الرئيسية
تحليل المكونات الرئيسية (PCA) هو طريقة غير خاضعة للإشراف لتقليل الأبعاد - بالنظر إلى معالجته النصية الحديثة بواسطة إيان جوليفي (2002) - تقوم بضغط البيانات عالية الأبعاد إلى عدد أقل من الأبعاد مع الحفاظ على أقصى قدر ممكن من التباين. تعيد صياغة المتغيرات المترابطة كمجموعة صغيرة من المكونات الرئيسية غير المترابطة مرتبة حسب مقدار تشتت البيانات الذي يلتقطه كل منها.
اقرأ الطريقة كاملة
للأعضاء فقط
تسجيل الدخولسجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
المصادر
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/ar/machine-learning/pca
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- تحليل العواملإحصاء البحث↔ compare
- التجميع الهرميتعلم الآلة↔ compare
- انحدار لاسوتعلم الآلة↔ compare
يُستشهد بها في
المُشَفِّر التلقائيتحليل العوامل البايزيتحليل العوامل التأكيدي (CFA)تحليل العوامل التأكيديألفا كرونباخ (تحليل الموثوقية)التطور التفاضلينموذج الانتشارالتحليل العاملي الاستكشافي (EFA)التحليل العاملي الاستكشافي لتطوير المقاييس (EFA)نموذج الخليط الغاوسي (Gaussian Mixture Model)التجميع الهرميغابة العزلإيزوماب (Isomap)تجميع K-meansانحدار لاسوتحليل التمييز الخطي (LDAانحدار ريدج (Ridge Regression)تحليل العوامل القويتحليل المكونات الرئيسية القوي (RPCA)النموذج التوليدي القائم على النقاطالتجميع الطيفي (Spectral Clustering)نموذج الكتل العشوائية (Stochastic Block Modelt-SNEUMAPالمشفّر التلقائي التبايني