Machine learningLocal spatial models

Географически взвешенный метод главных компонент (GWPCA)

Географически взвешенный метод главных компонент (GWPCA) — это локальный метод снижения размерности, представленный Харрисом, Брансдоном и Чарлтоном в 2011 году. Он расширяет классический метод главных компонент (PCA), подбирая отдельный взвешенный PCA в каждой точке набора данных, что позволяет собственным структурам — главным компонентам и их нагрузкам — непрерывно изменяться в географическом пространстве, а не быть ограниченными единым глобальным решением. GWPCA подходит для исследователей в области наук об окружающей среде, общественного здравоохранения и региональной экономики, которые подозревают, что многомерные взаимосвязи между переменными различаются в зависимости от местоположения.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

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

Географически взвешенный метод главных компонент (GWPCA)
Географически взвешенный…Регрессия с географическ…

Источники

  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

Как цитировать эту страницу

ScholarGate. (2026, June 2). Geographically Weighted Principal Component Analysis (GWPCA). ScholarGate. https://scholargate.app/ru/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)). Получено 2026-06-15 из https://scholargate.app/ru/spatial-analysis/geographically-weighted-pca · Набор данных: https://doi.org/10.5281/zenodo.20539026