Analisis Komponen Utama
Analisis Komponen Utama (PCA) adalah metode reduksi dimensi tanpa pengawasan — mengingat perlakuan buku teks modernnya oleh Ian Jolliffe (2002) — yang mengompresi data berdimensi tinggi menjadi lebih sedikit dimensi sambil mempertahankan varians maksimum yang memungkinkan. Metode ini mengekspresikan ulang variabel yang berkorelasi sebagai sejumlah kecil komponen utama yang tidak berkorelasi, diurutkan berdasarkan seberapa banyak variasi data yang ditangkap oleh masing-masing komponen.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Sumber
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/id/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.
- Analisis FaktorStatistika Penelitian↔ compare
- Pengelompokan HirarkisPembelajaran Mesin↔ compare
- Regresi LassoPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →