Përbërësit kryesorë kanë një sërë veçorish të dobishme (Rao 1964; Kshirsagar 1972): Vektorët e vet janë ortogonalë, kështu që komponentët kryesorë përfaqësojnë drejtime së bashku pingule përmes hapësirës së variablave origjinale. Rezultatet e komponentit kryesor janë së bashku të pakorreluara
A janë të ndërlidhur komponentët kryesorë?
Analiza e komponentëve kryesorë është bazuar në matricën e korrelacionit të variablave të përfshirë, dhe korrelacionet zakonisht kanë nevojë për një madhësi të madhe kampioni përpara se të stabilizohen.
A janë komponentët PCA të pavarur?
PCA projekton të dhënat në një hapësirë të re të shtrirë nga komponentët kryesorë (PC), të cilët janë të pakorreluar dhe ortogonal. PC-të mund të nxjerrin me sukses informacionin përkatës në të dhëna. … Këta komponentë janë statistikisht të pavarur, d.m.th. nuk ka informacion të mbivendosur midis komponentëve.
A është komponenti kryesor unik?
Pastaj në PCA 1 dimensionale, gjejmë një vijë për të maksimizuar variancën e projeksionit të të dhënave 2 dimensionale në atë linjë. … Kjo linjë nuk është unike kur të dhënat 2D kanë simetri rrotulluese, kështu që ka më shumë se një rreshta që japin të njëjtën variancë maksimale në projeksion.
A janë komponentët kryesorë ortogonalë?
Përbërësit kryesorë janë eigjenvektorët e një matrice të kovariancës, dhe për këtë arsye ata janë ortogonalë. E rëndësishmja, grupi i të dhënave në të cilin do të përdoret teknika PCA duhet të shkallëzohet. Rezultatet janë gjithashtu të ndjeshme ndaj shkallëzimit relativ.
