Principal Components Regression (PCR)
Die Hauptkomponentenregression (PCR) komprimiert zunächst eine Menge korrelierter Prädiktoren in wenige Hauptkomponenten – die Richtungen der größten Varianz – und regressiert dann die Antwort auf diese Komponenten. Durch das Verwerfen von Richtungen mit geringer Varianz stabilisiert die PCR die Schätzung bei Multikollinearität und hoher Dimensionalität, auf Kosten der Auswahl von Komponenten ohne Bezug zur Antwort.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Principal Components Regression (PCR). ScholarGate. https://scholargate.app/de/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.
- Multiple Lineare RegressionStatistik↔ compare
- Partielle Kleinste-Quadrate-Regression (PLS)Maschinelles Lernen↔ compare
- Ridge RegressionMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →