Основните компоненти имат различни полезни свойства (Rao 1964; Kshirsagar 1972): Собствените вектори са ортогонални, така че главните компоненти представляват съвместно перпендикулярни посоки през пространството на оригиналните променливи. Резултатите за главния компонент са съвместно некорелирани
Свързани ли са основните компоненти?
Анализът на главните компоненти е базиран на корелационната матрица на участващите променливи и корелациите обикновено се нуждаят от голям размер на извадката, преди да се стабилизират.
Независими ли са PCA компонентите?
PCA проектира данните в ново пространство, обхванато от главните компоненти (PC), които са некорелирани и ортогонални. Компютрите могат успешно да извличат подходяща информация в данните. … Тези компоненти са статистически независими, т.е. няма припокриваща се информация между компонентите.
Уникален ли е основният компонент?
След това в едномерния PCA намираме линия, за да увеличим максимално дисперсията на проекцията на двумерните данни върху тази линия. … Тази линия не е уникална, когато 2D данните имат ротационна симетрия, така че има повече от една линии, които дават една и съща максимална дисперсия в проекцията.
Ортогонални ли са главните компоненти?
Главните компоненти са собствените вектори на ковариационната матрица и следователно те са ортогонални. Важно е, че наборът от данни, върху който ще се използва PCA техниката, трябва да бъде мащабиран. Резултатите също са чувствителни към относителното мащабиране.
