Hoofdcomponentenanalyse
Hoofdcomponentenanalyse (PCA) is een niet-gesuperviseerde methode voor dimensionaliteitsreductie — gezien de moderne behandeling in handboeken door Ian Jolliffe (2002) — die hoogdimensionale gegevens comprimeert tot minder dimensies, terwijl de maximale variantie behouden blijft. Het herformuleert gecorreleerde variabelen als een kleine set ongecorreleerde hoofcomponenten, geordend naar de hoeveelheid variantie die elke component vastlegt.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Bronnen
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/nl/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.
- FactoranalyseOnderzoeksstatistiek↔ compare
- Hiërarchische clusteringMachine learning↔ compare
- Lasso-regressieMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →