Obsah:
- Definícia - Čo znamená analýza hlavných komponentov (PCA)?
- Techopedia vysvetľuje analýzu hlavných komponentov (PCA)
Definícia - Čo znamená analýza hlavných komponentov (PCA)?
Analýza hlavných komponentov (PCA) je technika používaná na identifikáciu menšieho počtu nekorelovaných premenných známych ako hlavné komponenty z väčšej sady údajov. Táto technika sa často používa na zdôraznenie variácie a zachytenie silných vzorcov v súbore údajov. Analýza hlavných komponentov, ktorú vyvinul Karl Pearson v roku 1901, je nástrojom používaným v prediktívnych modeloch a analýze prieskumných údajov. Analýza hlavných komponentov sa považuje za užitočnú štatistickú metódu a používa sa v takých oblastiach, ako sú kompresia obrazu, rozpoznávanie tváre, neuroveda a počítačová grafika.
Techopedia vysvetľuje analýzu hlavných komponentov (PCA)
Analýza hlavných komponentov pomáha ľahšie preskúmať a vizualizovať údaje. Je to jednoduchá neparametrická technika na získavanie informácií z komplexných a mätúcich súborov údajov. Analýza hlavných komponentov je zameraná na maximálnu hodnotu rozptylu s najmenším počtom hlavných komponentov. Jednou z výrazných výhod spojených s analýzou hlavných komponentov je, že akonáhle sa nájdu vzory v príslušných údajoch, podporuje sa aj kompresia údajov. Jeden používa analýzu hlavných komponentov na elimináciu počtu premenných alebo v prípade príliš veľkého množstva prediktorov v porovnaní s počtom pozorovaní alebo na zabránenie multikolearnosti. Úzko súvisí s kanonickou korelačnou analýzou a využíva ortogonálnu transformáciu na prevod súboru pozorovaní obsahujúcich korelované premenné na súbor hodnôt známych ako hlavné komponenty. Počet hlavných komponentov použitých v analýze hlavných komponentov je menší alebo sa rovná menšiemu počtu pozorovaní. Analýza hlavných komponentov je citlivá na relatívne škálovanie pôvodne použitých premenných.
Analýza hlavných komponentov sa široko používa v mnohých oblastiach, ako sú prieskum trhu, sociálne vedy a v odvetviach, v ktorých sa používajú veľké súbory údajov. Táto technika môže tiež pomôcť pri poskytovaní nízkorozmerného obrazu pôvodných údajov. V prípade analýzy hlavných komponentov je potrebné len minimálne úsilie na zníženie zložitého a mätúceho súboru údajov na zjednodušený súbor užitočných informácií.
