მთავარ კომპონენტებს აქვთ სხვადასხვა სასარგებლო თვისებები (Rao 1964; Kshirsagar 1972): საკუთრივ ვექტორები ორთოგონალურია, ამიტომ ძირითადი კომპონენტები წარმოადგენს ერთობლივად პერპენდიკულარულ მიმართულებებს თავდაპირველი ცვლადების სივრცეში. ძირითადი კომპონენტის ქულები ერთობლივად არაკორელირებულია
ძირითადი კომპონენტები დაკავშირებულია?
ძირითადი კომპონენტების ანალიზი არის დაფუძნებული ჩართული ცვლადების კორელაციის მატრიცაზე და კორელაციებს, როგორც წესი, სჭირდება დიდი ნიმუშის ზომა, სანამ ისინი დასტაბილურდებიან.
PCA კომპონენტები დამოუკიდებელია?
PCA აპროექტებს მონაცემებს ახალ სივრცეში, რომელიც მოიცავს ძირითად კომპონენტებს (PC), რომლებიც არაკორელირებული და ორთოგონალურია.კომპიუტერებს შეუძლიათ წარმატებით ამოიღონ შესაბამისი ინფორმაცია მონაცემებში. … ეს კომპონენტები არის სტატისტიკურად დამოუკიდებელი, ანუ არ არსებობს გადაფარვის ინფორმაცია კომპონენტებს შორის.
მთავარი კომპონენტი უნიკალურია?
შემდეგ 1 განზომილებიანი PCA-ში, ჩვენ ვპოულობთ ხაზს, რომელიც მაქსიმალურად გაზრდის 2 განზომილებიანი მონაცემების პროექციის დისპერსიას ამ ხაზზე. … ეს ხაზი არ არის უნიკალური, როდესაც 2D მონაცემებს აქვს ბრუნვის სიმეტრია, ამიტომ არის ერთზე მეტი ხაზი, რომელიც იძლევა იგივე მაქსიმალურ განსხვავებას პროექციაში.
არის ძირითადი კომპონენტები ორთოგონალური?
მთავარი კომპონენტებია კოვარიანტული მატრიცისსაკუთრივ ვექტორები და, შესაბამისად, ისინი ორთოგონალურია. მნიშვნელოვანია, რომ მონაცემთა ნაკრები, რომელზედაც გამოყენებული იქნება PCA ტექნიკა, უნდა იყოს მასშტაბირებული. შედეგები ასევე მგრძნობიარეა შედარებითი მასშტაბის მიმართ.
