การวิเคราะห์องค์ประกอบหลัก
การวิเคราะห์องค์ประกอบหลัก (Principal Component Analysis; PCA) เป็นวิธีการลดมิติแบบไม่มีผู้สอน (unsupervised dimensionality-reduction method) ซึ่งได้รับการอธิบายอย่างละเอียดในตำราสมัยใหม่โดย Ian Jolliffe (2002) โดยมีวัตถุประสงค์เพื่อบีบอัดข้อมูลที่มีมิติสูงให้เหลือมิติน้อยลง โดยยังคงรักษาความแปรปรวน (variance) ให้ได้มากที่สุดเท่าที่จะเป็นไปได้ วิธีการนี้จะแปลงตัวแปรที่มีความสัมพันธ์กัน (correlated variables) ให้กลายเป็นชุดขององค์ประกอบหลัก (principal components) ที่ไม่สัมพันธ์กัน (uncorrelated) ซึ่งเรียงลำดับตามปริมาณความแปรปรวนของข้อมูลที่แต่ละองค์ประกอบสามารถอธิบายได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
แหล่งอ้างอิง
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/th/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.
- Factor Analysisสถิติการวิจัย↔ compare
- การจัดกลุ่มแบบลำดับชั้นการเรียนรู้ของเครื่อง↔ compare
- Lasso Regressionการเรียนรู้ของเครื่อง↔ compare