Principal Components Regressie
Principal components regressie comprimeert eerst een set gecorreleerde predictoren tot enkele hoofdcomponenten — de richtingen van grootste variantie — en regresseert vervolgens de respons op die componenten. Door richtingen met lage variantie te negeren, stabiliseert PCR de schatting bij multicollineariteit en hoge dimensionaliteit, ten koste van het kiezen van componenten zonder verwijzing naar de respons.
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.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 2). Principal Components Regression (PCR). ScholarGate. https://scholargate.app/nl/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.
- Meervoudige Lineaire RegressieStatistiek↔ compare
- Partiële Kleinste Kwadraten Regressie (PLS)Machine learning↔ compare
- Ridge-regressieMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →