Anàlisi de Components Principals
L'Anàlisi de Components Principals (PCA) és un mètode no supervisat de reducció de la dimensionalitat —segons el tractament modern dels llibres de text d'Ian Jolliffe (2002)— que comprimeix dades d'alta dimensionalitat en menys dimensions, tot preservant la màxima variància possible. Reexpressa les variables correlacionades com un petit conjunt de components principals no correlacionats, ordenats per la quantitat de variació de les dades que cadascun captura.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Fonts
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/ca/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.
- Anàlisi FactorialEstadística per a la recerca↔ compare
- Agrupació jeràrquicaAprenentatge automàtic↔ compare
- Regressió LassoAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →