Machine learning
주성분 회귀 (Principal Components Regression, PCR)
주성분 회귀는 먼저 상관관계가 있는 예측변수 집합을 몇 개의 주성분, 즉 가장 큰 분산 방향으로 압축한 다음, 해당 성분들에 대한 반응변수를 회귀시킨다. 낮은 분산 방향을 버림으로써 PCR은 다중공선성 및 고차원성의 존재 하에서 추정을 안정화시키지만, 반응변수와 무관하게 성분을 선택하는 비용을 치른다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Jolliffe, I. T. (1982). A note on the use of principal components in regression. Journal of the Royal Statistical Society: Series C (Applied Statistics), 31(3), 300–303. DOI: 10.2307/2348005 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer. ISBN: 978-0-387-84857-0
이 페이지 인용 방법
ScholarGate. (2026, June 2). Principal Components Regression (PCR). ScholarGate. https://scholargate.app/ko/machine-learning/principal-components-regression
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 →