Principal component analysis (PCA)

Principal component analysis (PCA) is a classical statistical
method. This linear transform has been widely used in data
analysis and compression. Principal component analysis is
based on the statistical representation of a random variable
[6].PCA involves the calculation of the Eigen value decomposition of a data covariance matrix or singular value
decomposition of a data matrix, usually after mean centring
the data for each attribute. It is the simplest of the true
eigenvector based multivariate analyses. Often, its operation
can be thought of as revealing the internal structure of the data
in a way which best explains the variance in the data.

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ส่วนประกอบหลัก (PCA) เป็นแบบคลาสสิกทางสถิติวิธีการ การแปลงเชิงเส้นนี้ถูกใช้กันอย่างแพร่หลายในข้อมูลการวิเคราะห์และการบีบอัด การวิเคราะห์ส่วนประกอบหลักเป็นคะแนนเฉลียจากการแสดงสถิติของตัวแปรสุ่ม[6] PCA เกี่ยวข้องกับการคำนวณการเก็นเน่าค่าของเมทริกซ์การแปรปรวนของข้อมูลหรือค่าเอกพจน์แยกส่วนประกอบของเมทริกซ์ข้อมูล โดยปกติหลังจากอยู่หมายถึงข้อมูลสำหรับแต่ละคุณลักษณะ มันเป็นที่ง่ายที่สุดของแท้จริงeigenvector คะแนนวิเคราะห์ตัวแปรพหุ มักจะ การดำเนินการอาจถือได้ว่า เป็นการเปิดเผยโครงสร้างของข้อมูลวิธีที่ดีที่สุดอธิบายความแปรปรวนในข้อมูล

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์องค์ประกอบหลัก (PCA) เป็นสถิติที่คลาสสิก
วิธี เชิงเส้นแปลงนี้ถูกนำมาใช้กันอย่างแพร่หลายในข้อมูล
การวิเคราะห์และการบีบอัด การวิเคราะห์องค์ประกอบหลักจะ
อยู่บนพื้นฐานของการเป็นตัวแทนทางสถิติของตัวแปรสุ่ม
[6] .PCA เกี่ยวข้องกับการคำนวณของการสลายตัวของมูลค่า Eigen เมทริกซ์ข้อมูลแปรปรวนหรือมูลค่าเอกพจน์
การสลายตัวของเมทริกซ์ข้อมูลปกติหลังจากหมายถึงศูนย์กลาง
ข้อมูลสำหรับแต่ละแอตทริบิวต์ มันเป็นเรื่องที่ง่ายที่สุดของจริง
วิคเตอร์ตามการวิเคราะห์หลายตัวแปร บ่อยครั้งที่การดำเนินงานของ
สามารถจะคิดว่าเป็นเผยให้เห็นโครงสร้างภายในของข้อมูล
ในทางที่ดีที่สุดที่จะอธิบายความแปรปรวนในข้อมูลที่

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์องค์ประกอบหลัก ( PCA ) เป็นสถิติคลาสสิควิธี การแปลงเชิงเส้นนี้มีการใช้กันอย่างแพร่หลายในข้อมูลการวิเคราะห์และการบีบอัด การวิเคราะห์องค์ประกอบหลัก คือบนพื้นฐานของการเป็นตัวแทนทางสถิติของตัวแปรเชิงสุ่ม[ 6 ] . PCA เกี่ยวข้องกับการคำนวณมูลค่า eigen การสลายตัวของข้อมูลความแปรปรวนเมทริกซ์หรือมูลค่าเอกพจน์การสลายตัวของเมทริกซ์ข้อมูล โดยปกติหลังหมายถึงศูนย์กลางข้อมูลสำหรับแต่ละคุณลักษณะ มันเป็นที่ง่ายที่สุดของทรูเวกเตอร์ลักษณะเฉพาะตามการวิเคราะห์หลายตัวแปร มักจะ การดําเนินงานสามารถคิดเป็นเปิดเผยโครงสร้างภายในของข้อมูลในทางที่อธิบายความแปรปรวนในข้อมูล