Analiza Głównych Składowych
Analiza Głównych Składowych (PCA) to nienadzorowana metoda redukcji wymiarowości — której współczesne podręcznikowe ujęcie przedstawił Ian Jolliffe (2002) — kompresująca dane o wysokiej wymiarowości do mniejszej liczby wymiarów przy zachowaniu maksymalnej możliwej wariancji. Przeformułowuje ona skorelowane zmienne w mały zbiór nieskorelowanych głównych składowych, uporządkowanych według tego, ile wariancji danych każda z nich wyjaśnia.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Źródła
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/pl/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.
- Factor AnalysisStatystyka w badaniach↔ compare
- Klasteryzacja hierarchicznaUczenie maszynowe↔ compare
- Regresja LassoUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →