رگرسیون مولفههای اصلی (PCR)
رگرسیون مولفههای اصلی ابتدا مجموعهای از پیشبینیکنندههای همبسته را به چند مولفه اصلی فشرده میکند — جهتهای بیشترین واریانس — و سپس پاسخ را بر اساس آن مولفهها رگرسیون میدهد. با حذف جهتهای با واریانس کم، PCR تخمین را در حضور همخطی چندگانه و ابعاد بالا پایدار میسازد، اما این کار با هزینه انتخاب مولفهها بدون ارجاع به پاسخ انجام میشود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Principal Components Regression (PCR). ScholarGate. https://scholargate.app/fa/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.
- رگرسیون خطی چندگانهآمار↔ compare
- رگرسیون حداقل مربعات جزئی (PLS)یادگیری ماشین↔ compare
- رگرسیون ریج (Ridge Regression)یادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →