Machine learningLocal spatial models

Maantieteellisesti painotettu pääkomponenttianalyysi (GWPCA)

Maantieteellisesti painotettu pääkomponenttianalyysi (GWPCA) on paikallinen dimensionpudotusmenetelmä, jonka Harris, Brunsdon ja Charlton esittelivät vuonna 2011. Se laajentaa klassista PCA:ta sovittamalla erillisen painotetun PCA:n jokaisessa datasettiä sijainnissa, sallien ominaisrakenteiden – pääkomponenttien ja niiden latausten – vaihdella jatkuvasti maantieteellisessä avaruudessa sen sijaan, että ne olisivat sidottuja yhteen globaaliin ratkaisuun. GWPCA soveltuu ympäristötieteiden, kansanterveyden ja alueellisen taloustieteen tutkijoille, jotka epäilevät muuttujien välisten monimuuttujasuhteiden eroavan sijainnin mukaan.

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

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

Maantieteellisesti painotettu pääkomponenttianalyysi (GWPCA)
Maantieteellisesti paino…Paikallisesti painotettu…

Lähteet

  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

Näin viittaat tähän sivuun

ScholarGate. (2026, June 2). Geographically Weighted Principal Component Analysis (GWPCA). ScholarGate. https://scholargate.app/fi/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)). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/spatial-analysis/geographically-weighted-pca · Aineisto: https://doi.org/10.5281/zenodo.20539026