Főkomponens-analízis
A főkomponens-analízis (PCA) egy felügyelet nélküli dimenziócsökkentési módszer – Ian Jolliffe (2002) modern tankönyvi tárgyalása alapján – amely a nagy dimenziós adatokat kevesebb dimenzióra tömöríti, miközben a lehető legnagyobb varianciát őrzi meg. A korrelált változókat egy kis számú, korrelálatlan főkomponensre írja át, amelyeket aszerint rendez el, hogy mennyi adatvarianciát ragad meg mindegyik.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Források
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/hu/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.
- FaktoranalízisKutatási statisztika↔ compare
- Hierarchikus klaszterezésGépi tanulás↔ compare
- Lasso-regresszióGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →