Principal Principal Principal Component Analysis (PCA) adalah teknik statistik yang digunakan untuk mengurangi dimensiitas data sambil melestarikan sebanyak mungkin perbedaan.Metoda mengubah satu set variabel yang berhubungan korelasi menjadi satu set variabel yang lebih kecil yang disebut komponen pokok.Metoda ini banyak digunakan dalam analisis data, pembelajaran mesin, dan pengenalan pola.

Yayasan Matematika PCA

Inti dari PCA melibatkan perhitungan matriks kovariansi dari data, yang menangkap hubungan antara variabel. Eigenvalues dan eigenvektor matriks ini kemudian dihitung.Eigenvektor menentukan arah dari varians maksimum, sementara eigenvalues menunjukkan jumlah varians yang ditangkap oleh masing-masing komponen pokok.

Langkah-langkah untuk melakukan PCA secara matematis meliputi:

  • Memstandarkan data untuk memiliki nol berarti dan unit varians.
  • Menghitung kovariansi matriks data standardisasi.
  • Motivasi eligen dan eigenvektor matriks kovariansi.
  • Urutkan eigenvektor berdasarkan eigen nilai dalam urutan menurun.
  • Proyekkan data ke eigenvektor terpilih untuk mendapatkan komponen utama.

Aplikasi PCA

PCA kinford digunakan dalam berbagai bidang untuk memudahkan dataset kompleks dan mengungkapkan pola yang mendasari.Hal ini sangat berguna dalam pengolahan gambar, genetika, keuangan, dan pengenalan ucapan.Dengan mengurangi dimensi data, PCA membantu meningkatkan efisiensi komputasi dan visualisasi.

Aplikasi umum yang digunakan antara lain:

  • Pengurangan kebisingan dalam data.
  • Memvisualisasikan data berdimensi tinggi dalam plot 2D atau 3D.
  • Kepraprosesan untuk algoritma pembelajaran mesin.
  • Ekstrak dan seleksi fitur.