Machine learningLocal spatial models

Geograficznie Ważąca Analiza Składowych Głównych (GWPCA)

Geograficznie Ważąca Analiza Składowych Głównych (GWPCA) jest lokalną metodą redukcji wymiarowości wprowadzoną przez Harrisa, Brunsdon i Charlton w 2011 roku. Rozszerza ona klasyczną PCA poprzez dopasowanie oddzielnej ważonej PCA w każdej lokalizacji zbioru danych, pozwalając na ciągłe zmienianie się eigenstruktur — składowych głównych i ich wag — w przestrzeni geograficznej, zamiast ograniczania ich do jednego globalnego rozwiązania. GWPCA jest odpowiednia dla badaczy nauk o środowisku, zdrowia publicznego i ekonomii regionalnej, którzy podejrzewają, że wielowymiarowe zależności między zmiennymi różnią się w zależności od lokalizacji.

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

The neighbourhood of related methods — select a node to explore.

Geograficznie Ważąca Analiza Składowych Głównych (GWPCA)
Geograficznie Ważony Las…Regresja geograficznie w…

Źródła

  1. Harris, P., Brunsdon, C., & Charlton, M. (2011). Geographically weighted principal components analysis. International Journal of Geographical Information Science, 25(10), 1717–1736. DOI: 10.1080/13658816.2011.554838

Jak cytować tę stronę

ScholarGate. (2026, June 2). Geographically Weighted Principal Component Analysis (GWPCA). ScholarGate. https://scholargate.app/pl/spatial-analysis/geographically-weighted-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.

Compare side by side
ScholarGateGeographically Weighted PCA (Geographically Weighted Principal Component Analysis (GWPCA)). Pobrano 2026-06-15 z https://scholargate.app/pl/spatial-analysis/geographically-weighted-pca · Zbiór danych: https://doi.org/10.5281/zenodo.20539026