Principal Component Analysis (PCA)

Principal Component Analysis

Türkçe: Temel Bileşen Analizi

Ayrıntılı Tanım

Verideki en yüksek varyansı (bilgiyi) koruyarak, birbiriyle ilişkili çok sayıda değişkeni birbirine dik (ortogonal) daha az sayıda yapay değişkene (bileşene) dönüştüren doğrusal boyut indirgeme tekniğidir.

Ne İşe Yarar / Çözülen Problem

Boyut lanetini ortadan kaldırır, veri setini görselleştirmeyi (2D/3D) mümkün kılar ve eğitim sürelerini hızlandırır.

Nasıl Çalışır? (Teknik & Mekanizma)

Kovaryans matrisi hesaplanır. Bu matrisin özdeğerleri (eigenvalues) ve özvektörleri (eigenvectors) bulunur. En büyük özdeğere sahip eksen birinci temel bileşendir (

PC_1

Örnek Senaryo & Pratik Uygulama

3 boyutlu bir çaydanlığın duvara vuran 2 boyutlu gölgesi: Öyle bir açıdan ışık tutarsınız ki çaydanlığın kulp, gövde ve emzik yapısı 2 boyutta da net anlaşılır.

Benzer Terimlerden Farkı

t-SNE ve UMAP doğrusal olmayan ilişkileri bükerken, PCA sadece doğrusal eksen döndürme ve izdüşüm yapar.

İlişkili Terimler (4)

#19

Singular Value Decomposition (SVD)

Tekil Değer Ayrışımı

#20

Low-Rank Approximation

Düşük Dereceli (Rank) Yaklaşıklama

#59

t-SNE

t-Dağılımlı Stokastik Komşu Gömme