เปรียบเทียบวิธี

	การวิเคราะห์องค์ประกอบหลัก	Lasso Regression
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2002	1996
ผู้ริเริ่ม	Jolliffe, I.T. (textbook); Pearson & Hotelling (origins)	Tibshirani, R.
ประเภท	Unsupervised dimensionality reduction	Regularized linear regression (L1 penalty)
แหล่งต้นตำรับ	Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer.	Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.
ชื่อเรียกอื่น	Temel Bileşenler Analizi (PCA), PCA, principal components analysis, Karhunen-Loève transform	LASSO Regresyonu, lasso, L1-regularized regression, L1 regularization
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.	Lasso regression, introduced by Robert Tibshirani in 1996, is a linear regression method that adds an L1 penalty to the loss so that it shrinks coefficients and performs variable selection at the same time, producing a sparse model. By driving some coefficients exactly to zero it keeps only the predictors that matter.