Analýza hlavných komponentov
Analýza hlavných komponentov (PCA) je bezdozorová metóda redukcie dimenzionality — podľa moderného učebnicového spracovania Ianom Jolliffom (2002) — ktorá komprimuje vysokodimenzionálne dáta do menšieho počtu dimenzií, pričom zachováva maximálnu možnú varianciu. Prekóduje korelované premenné na malú sadu nekorelovaných hlavných komponentov usporiadaných podľa toho, koľko variancie dát každá z nich zachytáva.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Zdroje
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/sk/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.
- Faktorová analýzaŠtatistika vo výskume↔ compare
- Hierarchické zhlukovanieStrojové učenie↔ compare
- Regresia LassoStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →