Indholdsfortegnelse:
- Er hovedkomponenter korrelerede?
- Er PCA-komponenter uafhængige?
- Er hovedkomponenten unik?
- Er hovedkomponenterne ortogonale?
Video: Er hovedkomponenter ukorrelerede?
2024 Forfatter: Fiona Howard | [email protected]. Sidst ændret: 2024-01-10 06:35
Principale komponenter har en række nyttige egenskaber (Rao 1964; Kshirsagar 1972): Egenvektorerne er ortogonale, så hovedkomponenterne repræsenterer tilsammen vinkelrette retninger gennem rummet af de oprindelige variable. Hovedkomponentscorerne er tilsammen ukorrelerede
Er hovedkomponenter korrelerede?
Principal komponentanalyse er baseret på korrelationsmatrixen for de involverede variable, og korrelationer kræver norm alt en stor stikprøvestørrelse, før de stabiliserer sig.
Er PCA-komponenter uafhængige?
PCA projicerer dataene ind i et nyt rum spændt over hovedkomponenterne (PC), som er ukorrelerede og ortogonale. Pc'erne kan med succes udtrække relevant information i dataene. … Disse komponenter er statistisk uafhængige, dvs. der er ingen overlappende information mellem komponenterne.
Er hovedkomponenten unik?
Så i 1-dimensionel PCA finder vi en linje for at maksimere variansen af projektionen af de 2-dimensionelle data på den linje. … Denne linje er ikke unik, når 2D-data har rotationssymmetri, så der er mere end én linie, der giver den samme maksimale varians i projektionen.
Er hovedkomponenterne ortogonale?
De vigtigste komponenter er egenvektorerne af en kovariansmatrix, og derfor er de ortogonale. Det er vigtigt, at det datasæt, som PCA-teknikken skal bruges på, skal skaleres. Resultaterne er også følsomme over for den relative skalering.