17.2.4 Nonlinear Principal Componen

17.2.4 Nonlinear Principal Components Analysis
Probably the most well-known method to perform dimension reduction and, thus,
for creating maps is principal components analysis (PCA). PCA has a numerical
data matrix as input and linearly transforms the data, such that the first dimension,
normally plotted in horizontal direction, explains the variance in the data as much as
possible. The next dimensions (in case of a map only the second) try to do the same
for the remaining variance. Also, all dimensions are uncorrelated with each other.
Nonlinear principal components analysis (NL-PCA) [13, 31, 34] is a method that
does the same as PCA, but is also able to handle categorical attributes and missing
values. Also, using ordinal transformation, numerical attributes can be transformed
nonlinearly. Additionally, the categories of the attributes also have a location in the
map, that is in the center of the items belonging to that category. These category

ผลลัพธ์ (ไทย) 2:

17.2.4 การวิเคราะห์ส่วนประกอบหลักเชิง
น่าจะเป็นมากที่สุดวิธีการที่รู้จักกันดีในการดำเนินการลดมิติและทำให้
การสร้างแผนที่เป็นหลักวิเคราะห์ส่วนประกอบ (PCA) PCA มีตัวเลข
เมทริกซ์ข้อมูลเป็นเส้นตรงเข้าและแปลงข้อมูลเช่นว่ามิติแรก
พล็อตตามปกติในแนวนอนอธิบายความแปรปรวนในข้อมูลมากที่สุดเท่าที่
เป็นไปได้ มิติถัดไป (ในกรณีของแผนที่เพียงสอง) พยายามที่จะทำเช่นเดียวกัน
สำหรับความแตกต่างที่เหลือ นอกจากนี้ทุกมิติเป็น uncorrelated กับแต่ละอื่น ๆ .
การวิเคราะห์องค์ประกอบหลักไม่เชิงเส้น (NL-PCA) [13, 31, 34] เป็นวิธีการที่
ไม่เหมือนกันเป็น PCA แต่ก็ยังสามารถที่จะจัดการกับคุณลักษณะเด็ดขาดและหายไป
ค่า นอกจากนี้การใช้การเปลี่ยนแปลงลำดับแอตทริบิวต์ตัวเลขสามารถเปลี่ยน
nonlinearly นอกจากนี้ประเภทของคุณลักษณะยังมีสถานที่ใน
แผนที่ที่ตั้งอยู่ในใจกลางของรายการที่อยู่ในประเภทที่ หมวดหมู่เหล่านี้

ผลลัพธ์ (ไทย) 3:

ส่วนประกอบหลัก 17.2.4 ไม่เชิงเส้นการวิเคราะห์
อาจเป็นที่รู้จักมากที่สุดวิธีการแสดงการลดมิติและทำให้
สําหรับการสร้างแผนที่ การวิเคราะห์องค์ประกอบหลัก ( PCA ) PCA มีตัวเลข
Data Matrix เป็นข้อมูลและแปลงข้อมูลเป็นเส้นตรง เช่น มิติแรก
ปกติวางแผนในทิศทางแนวนอนอธิบายความแปรปรวนในข้อมูลเท่าที่
ที่สุดมิติต่อไป ( ในกรณีของแผนที่คนที่สองเท่านั้น ) ลองทำเหมือนกัน
สำหรับความแปรปรวนที่ยังเหลืออยู่ นอกจากนี้ ทุกมิติ คือ uncorrelated กับแต่ละอื่น ๆ .
ไม่เชิงเส้นการวิเคราะห์องค์ประกอบหลัก ( nl-pca ) [ 13 , 31 , 34 ] เป็นวิธีที่
ไม่เหมือนในปัจจุบัน แต่ยังสามารถจัดการคุณลักษณะอย่างแท้จริงและหายไป
ค่า นอกจากนี้ การใช้กฎหมายการแปลงคุณลักษณะเชิงตัวเลขสามารถเปลี่ยน
nonlinearly . นอกจากนี้ประเภทของแอตทริบิวต์ยังมีสถานที่ใน
แผนที่ที่อยู่ในศูนย์กลางของรายการของประเภทที่ เหล่านี้ประเภท