Ανάλυση Κύριων Συνιστωσών
Η Ανάλυση Κύριων Συνιστωσών (PCA) είναι μια μη επιβλεπόμενη μέθοδος μείωσης διαστασιμότητας — όπως περιγράφεται στη σύγχρονη βιβλιογραφία από τον Ian Jolliffe (2002) — η οποία συμπιέζει δεδομένα υψηλής διαστασιμότητας σε λιγότερες διαστάσεις, διατηρώντας τη μέγιστη δυνατή διακύμανση. Επαναδιατυπώνει συσχετισμένες μεταβλητές ως ένα μικρό σύνολο μη συσχετισμένων κύριων συνιστωσών, ταξινομημένων ανάλογα με το πόσο από τη διακύμανση των δεδομένων καταγράφει η καθεμία.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Πηγές
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/el/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.
- Ανάλυση ΠαραγόντωνΕρευνητική Στατιστική↔ compare
- Ιεραρχική ομαδοποίησηΜηχανική Μάθηση↔ compare
- Παλινδρόμηση LassoΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →