Machine learning

Παλινδρόμηση Κυρίων Συνιστωσών (PCR)

Η παλινδρόμηση κυρίων συνιστωσών πρώτα συμπιέζει ένα σύνολο συσχετιζόμενων προγνωστικών μεταβλητών σε λίγες κύριες συνιστώσες — τις κατευθύνσεις της μεγαλύτερης διακύμανσης — και στη συνέχεια πραγματοποιεί παλινδρόμηση της απόκρισης σε αυτές τις συνιστώσες. Απορρίπτοντας κατευθύνσεις χαμηλής διακύμανσης, η PCR σταθεροποιεί την εκτίμηση παρουσία πολυσυγγραμμικότητας και υψηλής διαστατικότητας, με κόστος την επιλογή συνιστωσών χωρίς αναφορά στην απόκριση.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

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

Πηγές

  1. 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
  2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer. ISBN: 978-0-387-84857-0

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 2). Principal Components Regression (PCR). ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGatePrincipal Components Regression (Principal Components Regression (PCR)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/principal-components-regression · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026