Analys av huvudkomponenter
Analys av huvudkomponenter (PCA) är en oövervakad metod för dimensionsreducering — givet dess moderna läroboksbehandling av Ian Jolliffe (2002) — som komprimerar högdimensionell data till färre dimensioner samtidigt som maximal varians bevaras. Den uttrycker korrelerade variabler på nytt som en liten uppsättning okorrelerade huvudkomponenter ordnade efter hur mycket av datans variation var och en fångar.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Källor
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/sv/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.
- Faktoriell analysForskningsstatistik↔ compare
- Hierarkisk klustringMaskininlärning↔ compare
- Lasso-regressionMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →