Machine learningLocal spatial models

Γεωγραφικά Σταθμισμένη Ανάλυση Κυρίων Συνιστωσών (GWPCA)

Η Γεωγραφικά Σταθμισμένη Ανάλυση Κυρίων Συνιστωσών (GWPCA) είναι μια τοπική μέθοδος μείωσης διαστατικότητας που εισήχθη από τους Harris, Brunsdon και Charlton το 2011. Επεκτείνει την κλασική PCA προσαρμόζοντας μια ξεχωριστή σταθμισμένη PCA σε κάθε θέση ενός συνόλου δεδομένων, επιτρέποντας στις ιδιοδομές — τις κύριες συνιστώσες και τα φορτία τους — να μεταβάλλονται συνεχώς στον γεωγραφικό χώρο αντί να περιορίζονται σε μια ενιαία παγκόσμια λύση. Η GWPCA είναι κατάλληλη για ερευνητές στις περιβαλλοντικές επιστήμες, τη δημόσια υγεία και την περιφερειακή οικονομία που υποψιάζονται ότι οι πολυμεταβλητές σχέσεις μεταξύ των μεταβλητών διαφέρουν ανάλογα με την τοποθεσία.

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.

Γεωγραφικά Σταθμισμένη Ανάλυση Κυρίων Συνιστωσών (GWPCA)
Γεωγραφικά Σταθμισμένο Τ…Παλινδρόμηση Γεωγραφικά…

Πηγές

  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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 2). Geographically Weighted Principal Component Analysis (GWPCA). ScholarGate. https://scholargate.app/el/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)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/spatial-analysis/geographically-weighted-pca · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026