Machine learning
انحدار المكونات الرئيسية (PCR)
يقوم انحدار المكونات الرئيسية أولاً بضغط مجموعة من المتنبئات المترابطة إلى عدد قليل من المكونات الرئيسية — اتجاهات التباين الأكبر — ثم يقوم بانحدار الاستجابة على تلك المكونات. عن طريق التخلص من اتجاهات التباين المنخفض، يعمل PCR على استقرار التقدير في وجود التعددية الخطية والأبعاد العالية، بتكلفة اختيار المكونات دون الرجوع إلى الاستجابة.
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.
المصادر
- Jolliffe, I. T. (1982). A note on the use of principal components in regression. Journal of the Royal Statistical Society: Series C (Applied Statistics), 31(3), 300–303. DOI: 10.2307/2348005 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer. ISBN: 978-0-387-84857-0
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 2). Principal Components Regression (PCR). ScholarGate. https://scholargate.app/ar/machine-learning/principal-components-regression
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.
- الانحدار الخطي المتعددالإحصاء↔ compare
- انحدار المربعات الصغرى الجزئية (PLS)تعلم الآلة↔ compare
- انحدار ريدج (Ridge Regression)تعلم الآلة↔ compare