Nederlands
Menu

Wat is Hoofdcomponentenanalyse (PCA)?

Een methode voor dimensiereductie die gegevens met veel variabelen met minder variabelen weergeeft en daarbij zo weinig mogelijk informatie verliest. Ze neemt de richting met de grootste variantie in de gegevens als eerste hoofdcomponent, de richting met de grootste variantie loodrecht daarop als tweede, enzovoort, en geeft de gegevens weer met alleen de eerste componenten. Wiskundig komt dit neer op het bepalen van de eigenvectoren van de covariantiematrix van de gegevens. De methode wordt gebruikt om gegevens te visualiseren, ruis te verwijderen en als voorbewerking vóór het trainen.

Japanse benaming: 主成分分析(PCA)

“Hoofdcomponentenanalyse (PCA)” komt voor in 1 oefenvragen uit 1 onderwerpen, bijv. Basis van machine learning.

Vakgebied: Basis van machine learning

Nu oefenen: vragen over Hoofdcomponentenanalyse (PCA)

Welke beschrijving van hoofdcomponentenanalyse (PCA) is juist?

  1. ADe paar kenmerken kiezen die de labels met juiste antwoorden het best voorspellen en alle andere kenmerken weggooien om de gegevens kleiner te maken
  2. BGegevens in een vooraf bepaald aantal groepen verdelen, zodat vergelijkbare items in dezelfde groep vallen
  3. CAchtereenvolgens nieuwe, onderling orthogonale assen bepalen, te beginnen met de richting waarin de spreiding (variantie) van de gegevens het grootst is, en de gegevens met weinig assen weergeven
Antwoord en toelichting tonen

Antwoord: C. Achtereenvolgens nieuwe, onderling orthogonale assen bepalen, te beginnen met de richting waarin de spreiding (variantie) van de gegevens het grootst is, en de gegevens met weinig assen weergeven

Hoofdcomponentenanalyse is een typische methode voor dimensiereductie die gegevens met veel variabelen met minder variabelen weergeeft en daarbij zo weinig mogelijk informatie verliest. Ze bepaalt achtereenvolgens de richting met de grootste variantie in de gegevens als eerste hoofdcomponent, de richting met de grootste variantie loodrecht daarop als tweede hoofdcomponent enzovoort, en geeft de gegevens weer met alleen de eerste componenten. Het is een vorm van ongesuperviseerd leren die geen labels gebruikt, en ze wordt gebruikt om gegevens te visualiseren en als voorbewerking vóór het trainen. Als de variabelen verschillende eenheden of ordes van grootte hebben, wordt het resultaat naar de variabelen met grote waarden getrokken; daarom worden de gegevens vaak eerst gestandaardiseerd.

“Hoofdcomponentenanalyse (PCA)” in de toelichting

Vragen met “Hoofdcomponentenanalyse (PCA)” (1)

  1. Welke beschrijving van hoofdcomponentenanalyse (PCA) is juist?

Verwante termen

Ongesuperviseerd leren (unsupervised learning) Activatiefunctie Convolutioneel neuraal netwerk (CNN) Gesuperviseerd leren (supervised learning) Gradiëntafdaling (gradient descent) k-means-clustering Kruisvalidatie (cross-validation) Overfitting (overaanpassing) Precisie en recall (precision and recall) Recurrent neuraal netwerk (RNN)

Naar de woordenlijst