Isi
- Definisi - Apa yang dimaksud Principal Component Analysis (PCA)?
- Pengantar Microsoft Azure dan Microsoft Cloud | Sepanjang panduan ini, Anda akan mempelajari tentang apa itu cloud computing dan bagaimana Microsoft Azure dapat membantu Anda untuk bermigrasi dan menjalankan bisnis Anda dari cloud.
- Techopedia menjelaskan Principal Component Analysis (PCA)
Definisi - Apa yang dimaksud Principal Component Analysis (PCA)?
Principal component analysis (PCA) adalah teknik yang digunakan untuk mengidentifikasi sejumlah kecil variabel tidak berkorelasi yang dikenal sebagai komponen utama dari sekumpulan data yang lebih besar. Teknik ini banyak digunakan untuk menekankan variasi dan menangkap pola yang kuat dalam satu set data. Diciptakan oleh Karl Pearson pada tahun 1901, analisis komponen utama adalah alat yang digunakan dalam model prediktif dan analisis data eksplorasi. Analisis komponen utama dianggap sebagai metode statistik yang berguna dan digunakan dalam bidang-bidang seperti kompresi gambar, pengenalan wajah, ilmu saraf, dan grafik komputer.
Pengantar Microsoft Azure dan Microsoft Cloud | Sepanjang panduan ini, Anda akan mempelajari tentang apa itu cloud computing dan bagaimana Microsoft Azure dapat membantu Anda untuk bermigrasi dan menjalankan bisnis Anda dari cloud.
Techopedia menjelaskan Principal Component Analysis (PCA)
Analisis komponen utama membantu membuat data lebih mudah untuk dijelajahi dan divisualisasikan. Ini adalah teknik non-parametrik sederhana untuk mengekstraksi informasi dari kumpulan data yang kompleks dan membingungkan. Analisis komponen utama difokuskan pada jumlah varians maksimum dengan jumlah komponen utama paling sedikit. Salah satu keuntungan berbeda yang terkait dengan analisis komponen utama adalah bahwa begitu pola ditemukan dalam data yang bersangkutan, kompresi data juga didukung. Orang menggunakan analisis komponen utama untuk menghilangkan jumlah variabel atau ketika ada terlalu banyak prediktor dibandingkan dengan jumlah pengamatan atau untuk menghindari multikolinieritas. Hal ini terkait erat dengan analisis korelasional kanonik dan memanfaatkan transformasi ortogonal untuk mengubah seperangkat pengamatan yang mengandung variabel berkorelasi menjadi satu set nilai yang dikenal sebagai komponen utama. Jumlah komponen utama yang digunakan dalam analisis komponen utama kurang dari atau sama dengan jumlah pengamatan yang lebih sedikit. Analisis komponen utama sensitif terhadap skala relatif dari variabel yang awalnya digunakan.
Analisis komponen utama banyak digunakan di banyak bidang seperti penelitian pasar, ilmu sosial dan dalam industri di mana set data besar digunakan. Teknik ini juga dapat membantu dalam memberikan gambar dimensi asli dari data asli. Hanya diperlukan upaya minimal dalam hal analisis komponen utama untuk mengurangi kumpulan data yang rumit dan membingungkan menjadi rangkaian informasi berguna yang disederhanakan.