繁體中文
選單

什麼是主成分分析（PCA）

以盡量不失去資訊的方式，用較少的變數表示具有許多變數之資料的降維方法。以資料變異數最大的方向為第1主成分，與其正交的方向中變異數最大者為第2主成分，依序求出，並只用前幾個主成分表示資料。數學上相當於求資料共變異數矩陣的特徵向量。用於資料視覺化、去除雜訊與訓練前的前處理等。

日文名稱: 主成分分析(PCA)

「主成分分析（PCA）」出現在1領域的1道練習題中（機器學習基礎等）。

這個名詞所屬的領域: 機器學習基礎

練習主成分分析（PCA）的題目

下列關於主成分分析（PCA）的敘述，何者適當？

  1. A選出幾個最能預測正確答案標籤的特徵，捨棄其他所有特徵，使資料變小
  2. B將資料分成事先決定數量的群組，使相似者被分到同一群組
  3. C從資料的分散程度（變異數）最大的方向開始，依序求出彼此正交的新軸，以較少的軸表示資料
查看答案與解析

正確答案：C. 從資料的分散程度（變異數）最大的方向開始，依序求出彼此正交的新軸，以較少的軸表示資料

主成分分析是以盡量不失去資訊的方式，用較少變數表示具有許多變數之資料的代表性降維方法。依序求出資料變異數最大的方向作為第1主成分、與其正交的方向中變異數最大者作為第2主成分，並只用前幾個主成分表示資料。這是不使用正確答案標籤的非監督式學習的一種，用於資料視覺化與訓練前的前處理。若各變數的單位或大小不同，結果會被數值大的變數牽引，因此常會事先標準化。

解析中的「主成分分析（PCA）」

出現「主成分分析（PCA）」的題目（1題）

  1. 下列關於主成分分析（PCA）的敘述，何者適當？

相關名詞

非監督式學習（Unsupervised learning） 正規化（Regularization） 交叉驗證（Cross-validation） 卷積神經網路（CNN） 強化學習（Reinforcement learning） 啟動函數（Activation function） 梯度下降法（Gradient descent） 混淆矩陣（Confusion matrix） 過擬合（Overfitting） 監督式學習（Supervised learning）

前往名詞解釋列表