Негізгі компоненттердің әртүрлі пайдалы қасиеттері бар (Rao 1964; Kshirsagar 1972): Меншікті векторлар ортогональды, сондықтан негізгі құрамдас бөліктер бастапқы айнымалылар кеңістігі арқылы бірлескен перпендикуляр бағыттарды көрсетеді. Негізгі компонент ұпайлары бірге корреляциясыз
Негізгі компоненттер өзара байланысты ма?
Негізгі құрамдастарды талдау қатысатын айнымалылардың корреляциялық матрицасына негізделген және корреляциялар тұрақталғанға дейін әдетте үлкен іріктеу өлшемін қажет етеді.
PCA компоненттері тәуелсіз бе?
PCA деректерді корреляциясыз және ортогональды негізгі құрамдас бөліктермен (ДК) қамтитын жаңа кеңістікке жобалайды. ДК деректердегі сәйкес ақпаратты сәтті шығара алады. … Бұл құрамдас бөліктер статистикалық тәуелсіз, яғни құрамдастардың арасында бір-біріне сәйкес келетін ақпарат жоқ.
Негізгі компонент бірегей ме?
Содан кейін 1 өлшемді PCA-да 2 өлшемді деректердің сол сызыққа проекциясының дисперсиясын барынша арттыру үшін сызықты табамыз. … 2D деректерінде айналу симметриясы болған кезде бұл сызық бірегей емес, сондықтан проекцияда бірдей максималды дисперсияны беретін бірден көп сызықтар бар.
Негізгі компоненттер ортогональды ма?
Негізгі компоненттер коварианттық матрицаның меншікті векторлары, сондықтан олар ортогональды. Маңыздысы, PCA әдісі қолданылатын деректер жиынтығы масштабталуы керек. Нәтижелер салыстырмалы масштабтауға да сезімтал.
