Sisällysluettelo:
- Määritelmä - Mitä pääkomponenttianalyysi (PCA) tarkoittaa?
- Techopedia selittää pääkomponenttianalyysin (PCA)
Määritelmä - Mitä pääkomponenttianalyysi (PCA) tarkoittaa?
Pääkomponenttianalyysi (PCA) on tekniikka, jota käytetään pienemmän määrän korreloimattomien muuttujien tunnistamiseen, joita kutsutaan pääkomponenteiksi suuremmasta tietojoukosta. Tekniikkaa käytetään laajasti vaihtelun korostamiseen ja vahvojen kuvioiden kaappaamiseen tietojoukossa. Karl Pearsonin vuonna 1901 keksimä pääkomponenttianalyysi on työkalu, jota käytetään ennakoivissa malleissa ja tutkittavaan tietoanalyysiin. Pääkomponenttianalyysiä pidetään hyödyllisenä tilastollisena menetelmänä, ja sitä käytetään sellaisilla aloilla kuin kuvanpakkaus, kasvojentunnistus, neurotiede ja tietokonegrafiikka.
Techopedia selittää pääkomponenttianalyysin (PCA)
Pääkomponenttianalyysi auttaa tietoja helpompaa tutkia ja visualisoida. Se on yksinkertainen ei-parametrinen tekniikka tiedon hankkimiseksi monimutkaisista ja hämmentävistä tietojoukoista. Pääkomponenttianalyysi on keskittynyt maksimaaliseen varianssimäärään, jolla on vähiten määrää pääkomponentteja. Yksi pääkomponenttianalyysiin liittyvistä erillisistä eduista on, että kun mallit on löydetty kyseisestä tiedosta, myös tietojen pakkaamista tuetaan. Pääkomponentti-analyysiä voidaan käyttää muuttujien lukumäärän poistamiseen tai kun ennustajia on liian paljon havaintojen lukumäärään verrattuna tai monikoloaarisuuden välttämiseksi. Se liittyy läheisesti kanoniseen korrelaatioanalyysiin ja käyttää ortogonaalista muunnosta muuntaakseen korreloivia muuttujia sisältävän havaintojoukon arvojoukkoksi, joka tunnetaan pääkomponenteina. Pääkomponenttianalyysissä käytettyjen pääkomponenttien lukumäärä on pienempi tai yhtä suuri kuin pienempi havaintojen lukumäärä. Pääkomponenttianalyysi on herkkä alun perin käytettyjen muuttujien suhteelliselle skaalaukselle.
Pääkomponenttianalyysiä käytetään laajalti monilla aloilla, kuten markkinatutkimuksessa, yhteiskuntatieteissä ja aloilla, joilla käytetään suuria aineistoja. Tekniikka voi myös auttaa tuottamaan pienemmän kuvan alkuperäisestä tiedosta. Pääkomponenttianalyysissä tarvitaan vain vähän vaivaa monimutkaisen ja hämmentävän tietojoukon pelkistämiseksi yksinkertaistetuksi hyödylliseksi tietojoukkoksi.
