Analýza hlavních komponent
Analýza hlavních komponent (PCA) je metoda redukce dimenze bez učitele — v moderní učebnicové podobě ji představil Ian Jolliffe (2002) — která komprimuje vícerozměrná data do menšího počtu dimenzí při zachování maximální možné variance. Přetváří korelované proměnné na malou sadu nekorelovaných hlavních komponent seřazených podle toho, kolik variability dat každá z nich zachycuje.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Zdroje
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/cs/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.
- Faktorová analýzaStatistika ve výzkumu↔ compare
- Hierarchické shlukováníStrojové učení↔ compare
- Regrese LassoStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →