Pricipaalanalüüs
Pricipaalanalüüs (PCA) on juhendamata meetod kõrvalekallete vähendamiseks – arvestades selle tänapäevast käsitlemist Ian Jolliffe'i (2002) õpikus – mis surub kõrgedimensionaalsed andmed kokku väiksemaks arvuks dimensioonideks, säilitades samal ajal maksimaalse võimaliku dispersiooni. See väljendab korreleeritud muutujad uuesti väikese hulga mittekorreleeritud peamiste komponentidena, järjestatuna selle järgi, kui palju igaüks neist andmete varieeruvusest haarab.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Allikad
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/et/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.
- FaktoranalüüsUurimisstatistika↔ compare
- Hierarchical ClusteringMasinõpe↔ compare
- Lasso-regressioonMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →