Regresja z wykorzystaniem głównych składowych (PCR)
Regresja z wykorzystaniem głównych składowych najpierw kompresuje zbiór skorelowanych predyktorów do kilku głównych składowych — kierunków o największej wariancji — a następnie regresuje zmienną zależną na tych składowych. Odrzucając kierunki o małej wariancji, PCR stabilizuje estymację w obecności współliniowości i wysokiej wymiarowości, kosztem wyboru składowych bez odniesienia do zmiennej zależnej.
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.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 2). Principal Components Regression (PCR). ScholarGate. https://scholargate.app/pl/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.
- Regresja liniowa wielorakaStatystyka↔ compare
- Regresja z częściowymi najmniejszymi kwadratami (PLS)Uczenie maszynowe↔ compare
- Regularyzacja grzbietowa (Ridge Regression)Uczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →