Зміст:
- Визначення - Що означає аналіз основних компонентів (PCA)?
- Техопедія пояснює аналіз основних компонентів (PCA)
Визначення - Що означає аналіз основних компонентів (PCA)?
Аналіз основних компонентів (PCA) - це метод, який використовується для ідентифікації меншої кількості некорельованих змінних, відомих як основні компоненти з більшого набору даних. Ця методика широко використовується для підкреслення варіацій та захоплення сильних зразків у наборі даних. Винайдений Карлом Пірсоном у 1901 р., Основний компонентний аналіз - це інструмент, що використовується в прогнозних моделях та дослідницькому аналізі даних. Аналіз основних компонентів вважається корисним статистичним методом і застосовується в таких сферах, як стиснення зображення, розпізнавання обличчя, нейронаука та комп’ютерна графіка.
Техопедія пояснює аналіз основних компонентів (PCA)
Аналіз основних компонентів допомагає полегшити дослідження та візуалізацію даних. Це простий непараметричний прийом вилучення інформації зі складних і заплутаних наборів даних. Аналіз основних компонентів орієнтований на максимальну кількість дисперсії з найменшою кількістю основних компонентів. Однією з чітких переваг, пов’язаних з аналізом основних компонентів, є те, що після виявлення шаблонів у відповідних даних також підтримується стиснення даних. Один використовує аналіз основних компонентів, щоб усунути кількість змінних або коли занадто багато предикторів порівняно з кількістю спостережень або щоб уникнути мультиколінеарності. Це тісно пов'язане з канонічним кореляційним аналізом та використовує ортогональне перетворення з метою перетворення набору спостережень, що містять корельовані змінні, у набір значень, відомих як основні компоненти. Кількість основних компонентів, що використовуються при аналізі основних компонентів, менше або менша кількість спостережень. Аналіз основних компонентів чутливий до відносного масштабування первинно використаних змінних.
Аналіз основних компонентів широко застосовується у багатьох сферах, таких як дослідження ринку, суспільні науки та в галузях, де використовуються великі набори даних. Методика також може допомогти у наданні меншої розмірної картинки вихідних даних. У разі аналізу основних компонентів потрібні лише мінімальні зусилля для зменшення складного та заплутаного набору даних у спрощений набір корисної інформації.
