Analiza glavnih komponenti
Analiza glavnih komponenti (PCA) je metoda smanjenja dimenzionalnosti bez nadzora — prema savremenom udžbeničkom tretmanu Iana Jolliffea (2002) — koja kompresuje visokodimenzionalne podatke u manje dimenzija, čuvajući maksimalnu moguću varijansu. Ona re-izražava korelirane promenljive kao mali skup nekoreliranih glavnih komponenti, sortiranih prema tome koliko varijacije podataka svaka od njih obuhvata.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Izvori
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/sr/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.
- Faktorska analizaIstraživačka statistika↔ compare
- Hijerarhijsko grupisanjeMašinsko učenje↔ compare
- Regresija LasoMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →