Machine learningLocal spatial models

Földrajzilag súlyozott főkomponens-analízis (GWPCA)

A földrajzilag súlyozott főkomponens-analízis (GWPCA) egy lokális dimenziócsökkentő módszer, amelyet Harris, Brunsdon és Charlton vezetett be 2011-ben. Ez kiterjeszti a klasszikus PCA-t azáltal, hogy minden egyes adatpont helyén külön súlyozott PCA-t illeszt be, lehetővé téve az eigenstruktúrák – a főkomponensek és terheléseik – folyamatos földrajzi térbeli változását, ahelyett, hogy egyetlen globális megoldásra korlátozódnának. A GWPCA alkalmas környezettudományi, közegészségügyi és regionális közgazdasági kutatók számára, akik feltételezik, hogy a változók közötti többváltozós kapcsolatok helytől függően eltérnek.

Megnyitás itt: MethodMindHamarosanVideóHamarosanDownload slides

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Bejelentkezés

Method map

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

Földrajzilag súlyozott főkomponens-analízis (GWPCA)
Geographically Weighted…Földrajzilag súlyozott r…

Források

  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

Hogyan hivatkozzon erre az oldalra

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