Primārā komponentu analīze
Primārā komponentu analīze (PCA) ir neuzraudzīta dimensiju samazināšanas metode — ņemot vērā tās moderno mācību grāmatu apstrādi, ko veicis Ians Džolifs (2002) — kas saspiež augstdimensionālus datus mazākās dimensijās, vienlaikus saglabājot maksimālo iespējamo dispersiju. Tā pārrēķina korelētus mainīgos kā nelielu nekorelētu primāro komponentu kopumu, kas sakārtots pēc tā, cik daudz datu variācijas katra no tām aptver.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Avoti
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/lv/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.
- Faktoru analīzePētniecības statistika↔ compare
- Hierarhiskā klasterizācijaMašīnmācīšanās↔ compare
- LASSO regresijaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →