Põhikomponentidel on mitmesuguseid kasulikke omadusi (Rao 1964; Kshirsagar 1972): Omavektorid on ortogonaalsed, seega esindavad põhikomponendid ühiselt risti suundi läbi algsete muutujate ruumi. Põhikomponendi hinded on ühiselt korrelatsioonita
Kas peamised komponendid on omavahel seotud?
Põhikomponentide analüüs põhineb kaasatud muutujate korrelatsioonimaatriksil ja korrelatsioonid vajavad tavaliselt enne stabiliseerumist suurt valimit.
Kas PCA komponendid on sõltumatud?
PCA projitseerib andmed uude ruumi, mida hõlmavad põhikomponendid (PC), mis on korrelatsioonita ja ortogonaalsed. Arvutid saavad andmetest eduk alt asjakohast teavet eraldada. … Need komponendid on statistiliselt sõltumatud, st komponentide vahel puudub kattuv teave.
Kas põhikomponent on ainulaadne?
Siis leiame 1-mõõtmelises PCA-s joone, et maksimeerida kahemõõtmeliste andmete sellele joonele projektsiooni dispersioon. … See joon ei ole unikaalne, kui 2D-andmetel on pöörlemissümmeetria, seega on rohkem kui üks joon, mis annavad projektsioonis sama maksimaalse dispersiooni.
Kas põhikomponendid on ortogonaalsed?
Peamised komponendid on kovariatsioonimaatriksi omavektorid ja seega on nad ortogonaalsed. Oluline on see, et andmestik, millel PCA tehnikat kasutatakse, peab olema skaleeritud. Tulemused on tundlikud ka suhtelise skaleerimise suhtes.
