Principel Component Analysis (PCA) er en statistisk teknik, der gør det muligt at reducere den dimensionelle og kvantitative forskel, der kan bevare en række forskelle, og som kan ændre den statistiske metode, der anvendes i en enkelt analyse, en lille gruppe af forskellige variabler, der er forskellige fra hinanden, og som er forskellige for de forskellige grupper.

Matematik Grundlæggelse af PCA

De er baseret på de forskellige faktorer, der er afgørende for forholdet mellem de forskellige faktorer, og de er afgørende for, om der er tale om en maksimal varians, og om de er afgørende for, om der er tale om en variabel værdi.

Disse trin er to perform PCA mathematicaly include:

  • Standardize the data to have ne zero meen and d unit variance.
  • Denne metode er baseret på en metode, der er baseret på en standardiseret metode.
  • Beregner eigenvalues og eigenvectors af disse covariante matrix.
  • Sort eigenvectors based on eigenvalues in descendin order.
  • Fremlæg disse data onto disse udvalgte eigenvectors to obtain principal components.

Anvendelse af PCA

Det er især nyttigt at se på processer, genetik, økonomi, og særlig at reducere datadimensionen, at forbedre dataeffektiviteten og at give et overblik over de forskellige aspekter af den.

De fælles ansøgninger omfatter:

  • Reduceringnoise in n data.
  • Visualizing high- dimensional data in 2D or 3D plots.
  • Præprocessing fr machine learning algoritmer.
  • Featurekstraktioen og selectioen.