Principal Component Analysis
Principal Component Analysis (PCA) er en usuperviseret metode til dimensionsreduktion – givet dens moderne lærebogsbehandling af Ian Jolliffe (2002) – der komprimerer højdimensionelle data til færre dimensioner, mens den bevarer den størst mulige varians. Den omskriver korrelerede variable som et lille sæt ukorrelerede hovedkomponenter, der er ordnet efter, hvor meget af dataenes variation hver enkelt fanger.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Kilder
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/da/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.
- FaktoranalyseForskningsstatistik↔ compare
- Hierarkisk grupperingMaskinlæring↔ compare
- Lasso-regressionMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →