Using eigenvalue analysis of R, the

Using eigenvalue analysis of R, these Zi (i = 1,...p) are ordered such
that the Zi with the highest eigenvalue of R corresponds to the first
PC and describes the largest amount of the variability in the original
data; the second highest is the second PC, etc. Significant
dimension reduction can be achieved if only the first few PCs are
needed to represent most of the variability in the original highdimensional
space. This is common when there is high multicollinearity
among the original variables. It should be noted that if the
units of the original variables are different, the data should be normalized
before performing PCA (Shumueli, Patel, & Bruce, 2007).

ผลลัพธ์ (ไทย) 1:

ใช้วิเคราะห์ eigenvalue ของ R เหล่านี้ซิ (ผม = 1,... p) มีสั่งดังกล่าวว่า ซิกับ eigenvalue สูงสุดของ R ตรงกับครั้งแรกพีซี และอธิบายจำนวนความแปรผันในต้นฉบับมากที่สุดข้อมูล ที่สองคือสูงที่สุดจากพีซีสอง ฯลฯ อย่างมีนัยสำคัญการลดขนาดสามารถทำได้ถ้าเพียงซองไม่กี่ครั้งแรกต้องเป็นตัวแทนของความแปรผันใน highdimensional เดิมพื้นที่ โดยทั่วไปเมื่อมี multicollinearity สูงตัวแปรเดิม มันควรจะสังเกตว่า ถ้าการปริมาณของตัวแปรเดิม ควรตามปกติข้อมูลก่อนดำเนินการสมาคม (Shumueli, Patel และ บรูซ 2007)

ผลลัพธ์ (ไทย) 2:

โดยใช้การวิเคราะห์ค่าเฉพาะของ R, Zi เหล่านี้ (i = 1, ... P)
ได้รับคำสั่งดังกล่าวว่าZi กับ eigenvalue สูงสุดของ R สอดคล้องกับครั้งแรกที่เครื่องคอมพิวเตอร์และอธิบายถึงจำนวนเงินที่ใหญ่ที่สุดของความแปรปรวนในต้นฉบับข้อมูล ที่สองที่สูงที่สุดคือเครื่องคอมพิวเตอร์ที่สองและอื่น ๆ ที่สําคัญในการลดมิติสามารถทำได้ถ้ามีเพียงเครื่องคอมพิวเตอร์ไม่กี่ครั้งแรกจะจำเป็นในการเป็นตัวแทนของที่สุดของความแปรปรวนในต้นฉบับhighdimensional พื้นที่ นี้เป็นเรื่องธรรมดาเมื่อมีพหุสูงระหว่างตัวแปรเดิม มันควรจะตั้งข้อสังเกตว่าถ้าหน่วยของตัวแปรเดิมที่มีแตกต่างกันข้อมูลที่ควรจะปกติก่อนที่จะดำเนินPCA (Shumueli เทลและบรูซ, 2007)

ผลลัพธ์ (ไทย) 3:

โดยใช้การวิเคราะห์ค่าของ R นี่ซิ ( i = 1 , . . . . . . . p ) สั่งเช่น
ว่าจื่อกับค่าสูงสุดของ R สอดคล้องกับครั้งแรก
และอธิบายปริมาณที่ใหญ่ที่สุดของความแปรปรวนในข้อมูลเดิม
; ที่สองสูงสุดเป็นเครื่องคอมพิวเตอร์ที่สอง ฯลฯ ที่สำคัญสามารถลด
ขนาด ได้ถ้าครั้งแรกไม่กี่ชิ้นมี
ต้องการเป็นตัวแทนมากที่สุดของความแปรปรวนในพื้นที่ highdimensional
ต้นฉบับ นี้เป็นปกติเมื่อมี
ค่าสูงระหว่างตัวแปรเดิม มันควรจะสังเกตว่าถ้า
หน่วยของตัวแปรเดิมจะแตกต่างกัน ข้อมูลที่ควรจะปกติ
ก่อนการปฏิบัติ PCA ( shumueli พาเทล & , บรูซ , 2007 )