A főkomponensek számos hasznos tulajdonsággal rendelkeznek (Rao 1964; Kshirsagar 1972): A sajátvektorok merőlegesek, így a főkomponensek együttesen merőleges irányokat képviselnek az eredeti változók terében. A főkomponens pontszámai együttesen nem korrelálnak
A fő összetevők korrelálnak?
A főkomponensek elemzése az érintett változók korrelációs mátrixán alapul, és a korrelációk általában nagy mintaméretet igényelnek, mielőtt stabilizálódnának.
Függetlenek a PCA-komponensek?
A PCA az adatokat egy új térbe vetíti, amelyet a főkomponensek (PC) fednek le, amelyek nem korrelálnak és ortogonálisak. A PC-k sikeresen kinyerhetik a releváns információkat az adatokból. … Ezek az összetevők statisztikailag függetlenek, azaz nincs átfedés az összetevők között.
Egyedi a főkomponens?
Ezután az 1 dimenziós PCA-ban találunk egy vonalat, amely maximalizálja a kétdimenziós adatok arra a vonalra való vetítésének szórását. … Ez az egyenes nem egyedi, ha a 2D adatok forgásszimmetriájúak, tehát több olyan egyenes van, amely ugyanazt a maximális szórást ad a vetítésben.
A fő összetevők merőlegesek?
A fő komponensek egy kovarianciamátrix sajátvektorai, és ezért ortogonálisak. Fontos, hogy azt az adatkészletet, amelyen a PCA technikát használni kívánjuk, skálázni kell. Az eredmények a relatív skálázásra is érzékenyek.
