Pääkomponenttianalyysi
Pääkomponenttianalyysi (PCA) on ohjaamaton ulottuvuuden pienentämismenetelmä – nykyisen oppikirjatason käsittelyn mukaisesti Ian Jolliffe (2002) – joka pakkaa korkeaulotteista dataa harvemmiksi ulottuvuuksiksi säilyttäen samalla mahdollisimman suuren varianssin. Se esittää uudelleen korreloituneet muuttujat pienenä joukkona korreloimattomia pääkomponentteja, jotka on järjestetty sen mukaan, kuinka paljon kukin niistä selittää datan vaihtelusta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Lähteet
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/fi/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.
- FaktorianalyysiTutkimuksen tilastomenetelmät↔ compare
- Hierarkkinen ryvästyminenKoneoppiminen↔ compare
- Lasso-regressioKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →