เปรียบเทียบวิธี

	การวิเคราะห์องค์ประกอบหลักแบบถ่วงน้ำหนักเชิงพื้นที่ (GWPCA)	การเรียนรู้แบบสุ่มถ่วงน้ำหนักตามภูมิศาสตร์
สาขาวิชา	การวิเคราะห์เชิงพื้นที่	การวิเคราะห์เชิงพื้นที่
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2011	2021
ผู้ริเริ่ม	Paul Harris, Chris Brunsdon & Martin Charlton	Stefanos Georganos et al.
ประเภท	Local dimensionality reduction	Spatially local ensemble learning method
แหล่งต้นตำรับ	Harris, P., Brunsdon, C., & Charlton, M. (2011). Geographically weighted principal components analysis. International Journal of Geographical Information Science, 25(10), 1717–1736.	Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136.
ชื่อเรียกอื่น	Local PCA, Spatially Adaptive PCA, Geographically Weighted Factor Analysis, Yerel Coğrafi Ağırlıklı PCA	Geographical Random Forest, GRF, Spatial Random Forest, Cografi Agirlikli Rastgele Orman
ที่เกี่ยวข้อง	2	3
สรุป	Geographically Weighted Principal Component Analysis (GWPCA) is a local dimensionality-reduction method introduced by Harris, Brunsdon, and Charlton in 2011. It extends classical PCA by fitting a separate weighted PCA at every location in a dataset, allowing eigenstructures — the principal components and their loadings — to vary continuously across geographic space rather than being constrained to a single global solution. GWPCA is suited to researchers in environmental science, public health, and regional economics who suspect that multivariate relationships among variables differ by location.	Geographically Weighted Random Forest (GWRF) is a spatially local ensemble learning method that fits an independent Random Forest model at each observation location, weighting nearby training samples more heavily than distant ones through a spatial kernel function. It was introduced by Stefanos Georganos and colleagues in 2019 (published 2021) as an extension of Breiman's Random Forest to handle spatial non-stationarity — the phenomenon where predictor–response relationships vary across geographic space.