Analisis Komponen Utama
Analisis Komponen Utama (PCA) ialah kaedah pengurangan dimensi tanpa pengawasan — memandangkan rawatan buku teks modennya oleh Ian Jolliffe (2002) — yang memampatkan data berdimensi tinggi kepada dimensi yang lebih sedikit sambil mengekalkan varians maksimum yang mungkin. Ia menyatakan semula pembolehubah yang berkorelasi sebagai satu set kecil komponen utama yang tidak berkorelasi yang disusun mengikut jumlah variasi data yang ditangkap oleh setiap satu.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/ms/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 FaktorStatistik Penyelidikan↔ compare
- Pencapanian HierarkisPembelajaran Mesin↔ compare
- Lasso RegressionPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →