Метод головних компонент
Метод головних компонент (PCA) — це метод некерованого зниження розмірності, сучасне підручникове трактування якого було надано Ієном Джолліффом (Ian Jolliffe, 2002). Він стискає багатовимірні дані до меншої кількості вимірів, зберігаючи при цьому максимально можливу дисперсію. Метод перетворює корельовані змінні на невеликий набір некорельованих головних компонентів, упорядкованих за тим, скільки варіації даних захоплює кожна з них.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Джерела
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/uk/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.
- Факторний аналізСтатистика досліджень↔ compare
- Ієрархічна кластеризаціяМашинне навчання↔ compare
- Lasso-регресіяМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →