Methods2.3.1. Principle component a

Methods
2.3.1. Principle component analysis (PCA)
Essentially, PCA maximizes the correlation between the original
variables to form new variables that are mutually orthogonal, or
uncorrelated (Abdul-Wahab et al., 2005). PCA has the ability to
reduce a large amount of data to a new set of variables (principle
components, PCs) where the number of principal components is
less than or equal to the number of original variables, which gives
the linear combination of the original set of data. After variable
reduction in the data set, PCA allows the identification and observation
of the source of variation. PCA is generally written as:

ผลลัพธ์ (ไทย) 1:

วิธีการ2.3.1. หลักการวิเคราะห์ส่วนประกอบ (PCA)หลัก PCA วางความสัมพันธ์ระหว่างต้นฉบับตัวแปรแบบตัวแปรใหม่ที่เป็น orthogonal กัน หรือuncorrelated (อับดุล Wahab et al., 2005) สมาคมมีความสามารถในการลดเป็นจำนวนมากของข้อมูลชุดใหม่ของตัวแปร (หลักส่วนประกอบ ชิ้น) ที่มีจำนวนส่วนประกอบหลักน้อยกว่า หรือเท่ากับจำนวนตัวแปรเดิม ซึ่งช่วยให้รวมเชิงเส้นของข้อมูลชุดเดิม หลังจากตัวแปรลดในชุดข้อมูล PCA ให้รหัสและการสังเกตแหล่งของความผันแปร โดยทั่วไปเขียน PCA เป็น:

ผลลัพธ์ (ไทย) 2:

วิธีการ
2.3.1 การวิเคราะห์องค์ประกอบหลักการ (PCA)
เป็นหลัก PCA ช่วยเพิ่มความสัมพันธ์ระหว่างเดิม
ตัวแปรที่จะสร้างตัวแปรใหม่ที่มีฉากร่วมกันหรือ
uncorrelated (อับดุลวาฮับ et al., 2005) PCA มีความสามารถในการ
ลดจำนวนมากของข้อมูลไปยังชุดใหม่ของตัวแปร (หลักการ
ส่วนประกอบพีซี) ซึ่งมีจำนวนขององค์ประกอบหลักคือ
น้อยกว่าหรือเท่ากับจำนวนของตัวแปรเดิมซึ่งจะช่วยให้
การรวมกันเชิงเส้นของชุดเดิม ของข้อมูล หลังจากตัวแปร
ลดลงในชุดข้อมูล PCA ช่วยให้การระบุและการสังเกต
ของแหล่งที่มาของการเปลี่ยนแปลง PCA เป็นลายลักษณ์อักษรโดยทั่วไปเป็น:

ผลลัพธ์ (ไทย) 3:

2.3.1 วิธีการ
. การวิเคราะห์องค์ประกอบหลัก ( PCA )
เป็นหลัก , PCA ช่วยเพิ่มความสัมพันธ์ระหว่างตัวแปรต้นกับตัวแปรใหม่ที่เป็นรูป

) ร่วมกัน หรือ uncorrelated ( บดุล วา บ et al . , 2005 ) PCA มีความสามารถ

ลดจำนวนมากของข้อมูลชุดใหม่ของตัวแปร ( หลักการ
ส่วนประกอบชิ้น ) ที่จำนวนของส่วนประกอบหลักคือ
น้อยกว่าหรือเท่ากับจำนวนตัวแปรเดิม ซึ่งช่วยให้
การรวมกันเชิงเส้นของชุดเดิมของข้อมูล หลังจากการเปลี่ยนแปลง
ในชุดข้อมูล ระบบช่วยให้ระบุและการสังเกต
ของแหล่งที่มาของการเปลี่ยนแปลง . ระบบโดยทั่วไปเขียน :