Machine learningLocal spatial models

Geograficky vážená analýza hlavních komponent (GWPCA)

Geograficky vážená analýza hlavních komponent (GWPCA) je lokální metoda redukce dimenzionality, kterou v roce 2011 zavedli Harris, Brunsdon a Charlton. Rozšiřuje klasickou PCA tím, že pro každou polohu v datové sadě upravuje samostatnou váženou PCA, což umožňuje, aby se vlastní struktury — hlavní komponenty a jejich váhy — spojitě měnily v geografickém prostoru, namísto aby byly omezeny na jediné globální řešení. GWPCA je vhodná pro výzkumníky v oblasti environmentálních věd, veřejného zdraví a regionální ekonomie, kteří se domnívají, že multivariátní vztahy mezi proměnnými se liší v závislosti na lokalitě.

Otevřít v MethodMindJiž brzyVideoJiž brzyDownload slides

Přečíst celou metodu

Pouze pro členy

Pro přečtení této sekce se přihlaste s bezplatným účtem.

Přihlásit se

Method map

The neighbourhood of related methods — select a node to explore.

Geograficky vážená analýza hlavních komponent (GWPCA)
Geograficky vážený náhod…Geograficky vážená regre…

Zdroje

  1. Harris, P., Brunsdon, C., & Charlton, M. (2011). Geographically weighted principal components analysis. International Journal of Geographical Information Science, 25(10), 1717–1736. DOI: 10.1080/13658816.2011.554838

Jak citovat tuto stránku

ScholarGate. (2026, June 2). Geographically Weighted Principal Component Analysis (GWPCA). ScholarGate. https://scholargate.app/cs/spatial-analysis/geographically-weighted-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.

Compare side by side
ScholarGateGeographically Weighted PCA (Geographically Weighted Principal Component Analysis (GWPCA)). Získáno 2026-06-15 z https://scholargate.app/cs/spatial-analysis/geographically-weighted-pca · Datová sada: https://doi.org/10.5281/zenodo.20539026