เปรียบเทียบวิธี

	การวิเคราะห์องค์ประกอบหลัก	การจัดกลุ่มแบบลำดับชั้น
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2002	1963
ผู้ริเริ่ม	Jolliffe, I.T. (textbook); Pearson & Hotelling (origins)	Ward, J. H.
ประเภท	Unsupervised dimensionality reduction	Unsupervised clustering (agglomerative)
แหล่งต้นตำรับ	Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer.	Ward, J. H. (1963). Hierarchical Grouping to Optimize an Objective Function. Journal of the American Statistical Association, 58(301), 236–244.
ชื่อเรียกอื่น	Temel Bileşenler Analizi (PCA), PCA, principal components analysis, Karhunen-Loève transform	Hiyerarşik Kümeleme, hiyerarşik kümeleme, agglomerative clustering, hierarchical agglomerative clustering
ที่เกี่ยวข้อง	3	4
สรุป	Principal Component Analysis (PCA) is an unsupervised dimensionality-reduction method — given its modern textbook treatment by Ian Jolliffe (2002) — that compresses high-dimensional data into fewer dimensions while preserving the maximum possible variance. It re-expresses correlated variables as a small set of uncorrelated principal components ordered by how much of the data's variation each one captures.	Hierarchical clustering is an unsupervised method that groups observations into nested clusters and draws the result as a dendrogram, so the number of clusters need not be fixed in advance. Its agglomerative form rests on the objective-function grouping criterion introduced by Joe Ward in 1963.