Analiza glavnih komponent
Analiza glavnih komponent (PCA) je metoda smanjenja dimenzionalnosti bez nadzora — s obzirom na njezin suvremeni udžbenički tretman od strane Iana Jolliffea (2002.) — koja komprimira visokodimenzionalne podatke u manje dimenzija uz očuvanje maksimalne moguće varijance. Ponovno izražava korelirane varijable kao mali skup nekoreliranih glavnih komponenti, poredanih prema tome koliko varijacije podataka svaka od njih obuhvaća.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Izvori
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/hr/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.
- Faktorska analizaIstraživačka statistika↔ compare
- Hijerarhijsko grupiranjeStrojno učenje↔ compare
- Regresija LassoStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →