بنیادی طور پر بنیادی کمیت Analysis (PCA) ایک ایسی میکانیکی تکنیک ہے جو بڑے ڈیٹا کی تفاعل کو کم کرنے کے لیے استعمال کی جاتی ہے۔اس میں ڈیٹا کو ایک نئے سیٹ میں تبدیل کر کے بنیادی اجزاء (symplips) میں تبدیل کر کے بنیادی اجزاء (concyption) کو شمار کیا جاتا ہے جو ڈیٹا میں سب سے زیادہ فرق کو حاصل کرتا ہے۔یہ طریقہ مشین سیکھنے، تصاویر بنانے اور ڈیٹا کے شعبوں میں کثرت سے استعمال ہوتا ہے۔

ڈیٹا بحالی کے لیے پی سی اے کی ڈیزائن کرنا

پی سی اے کی ساخت میں بنیادی اجزاء کی مناسب تعداد کا انتخاب کرنا شامل ہے یہ فیصلہ اہم معلومات کی بچت کے ساتھ ڈیٹا پیچیدگیوں کو کم کرنے کے ساتھ ساتھ عمل شروع کرتا ہے تاکہ ہر خصوصیت کو یقینی بنایا جاسکے

اس کے بعد اعداد و شمار کی کمیت یہ سمجھنے میں مدد دیتی ہے کہ کیسے متغیرات آپس میں تعلق رکھتے ہیں. Egenects اور Egenerents اس کے بعد اس مریخ سے حساب کیا جاتا ہے. Egeneives مختلف سمتوں کی تعین کرتے ہیں جبکہ Egenes ان سمتوں میں فرق کی مقدار کو ظاہر کرتے ہیں۔

مشق میں پی سی اے کی کارکردگی

ایمرجنسی میں ان کے ایجن کی مقدار پر مبنی بالائی بنیادی اجزاء کا انتخاب کرنا شامل ہے۔یہ اجزاء ایک نئی خصوصیت والی جگہ بناتے ہیں جہاں اصل اعداد و شمار کو منصوبے بنایا جاتا ہے اس سے ان خصوصیات کی تعداد میں کمی آتی ہے۔

پی سی سی سی پر عمل آوری کے لیے عام آلات میں سافٹ وئیر لائبریریز جیسے کہ پی این اے میں شامل ہیں، جو معیاری ڈیٹا، کمپیوٹر پی سی اے اور ڈیٹا سیٹ کے تبدیل کرنے کے کام فراہم کرتا ہے۔

ڈیٹا بحالی میں پی سی اے کی شناخت

  • Rucles پیچیدگی : سادہ سی معلومات کے حساب سے بہت سی خصوصیات ہیں۔
  • [Imprestings کارکردگی: [1] انہنسی مشین سیکھنے والے ماڈل کی کارکردگی۔
  • ] وائسرائے اعداد : [fLT] میں ہائی ڈیجیٹل ڈیٹا کی منصوبہ بندی 2D یا 3D میں کی گئی ہے۔
  • ری چارج شور: [1] فیلڈر کم اہم معلومات خارج کرتا ہے۔