المحتوى
- التعريف - ماذا يعني تحليل المكونات الرئيسية (PCA)؟
- مقدمة إلى Microsoft Azure و Microsoft Cloud | من خلال هذا الدليل ، سوف تتعرف على الحوسبة السحابية التي تدور حولها وكيف يمكن أن يساعدك Microsoft Azure على ترحيل عملك وإدارته من السحابة.
- تيكوبيديا توضح تحليل المكونات الرئيسية (PCA)
التعريف - ماذا يعني تحليل المكونات الرئيسية (PCA)؟
تحليل المكون الرئيسي (PCA) هو تقنية تستخدم لتحديد عدد أصغر من المتغيرات غير المرتبطة المعروفة باسم المكونات الرئيسية من مجموعة أكبر من البيانات. تستخدم هذه التقنية على نطاق واسع للتأكيد على الاختلاف والتقاط أنماط قوية في مجموعة البيانات. اخترع كارل بيرسون في عام 1901 ، تحليل المكون الرئيسي هو أداة تستخدم في النماذج التنبؤية وتحليل البيانات الاستكشافية. يعتبر تحليل المكون الرئيسي طريقة إحصائية مفيدة ويستخدم في مجالات مثل ضغط الصور والتعرف على الوجه وعلم الأعصاب ورسومات الكمبيوتر.
مقدمة إلى Microsoft Azure و Microsoft Cloud | من خلال هذا الدليل ، سوف تتعرف على الحوسبة السحابية التي تدور حولها وكيف يمكن أن يساعدك Microsoft Azure على ترحيل عملك وإدارته من السحابة.
تيكوبيديا توضح تحليل المكونات الرئيسية (PCA)
يساعد تحليل المكون الرئيسي على تسهيل استكشاف البيانات وتصورها. إنها تقنية غير حدسية بسيطة لاستخراج المعلومات من مجموعات البيانات المعقدة والمربكة. يركز تحليل المكون الرئيسي على الحد الأقصى لمقدار التباين مع أقل عدد من المكونات الرئيسية. إحدى المزايا المميزة المرتبطة بتحليل المكون الرئيسي هي أنه بمجرد العثور على الأنماط في البيانات المعنية ، يتم دعم ضغط البيانات أيضًا. واحد يستخدم تحليل المكون الرئيسي للقضاء على عدد المتغيرات أو عندما يكون هناك الكثير من المتنبئين مقارنة بعدد الملاحظات أو لتجنب تعدد الخطى. يرتبط ارتباطًا وثيقًا بالتحليل المترابط الكنسي ويستخدم التحويل المتعامد من أجل تحويل مجموعة الملاحظات التي تحتوي على متغيرات مرتبطة إلى مجموعة من القيم المعروفة باسم المكونات الرئيسية. عدد المكونات الرئيسية المستخدمة في تحليل المكون الرئيسي أقل من أو يساوي عدد أقل من الملاحظات. تحليل المكون الرئيسي حساس للقياس النسبي للمتغيرات المستخدمة أصلاً.
يستخدم تحليل المكون الرئيسي على نطاق واسع في العديد من المجالات مثل أبحاث السوق ، والعلوم الاجتماعية ، وفي الصناعات التي تستخدم فيها مجموعات البيانات الكبيرة. يمكن أن تساعد هذه التقنية أيضًا في توفير صورة منخفضة الأبعاد للبيانات الأصلية. هناك حاجة إلى الحد الأدنى من الجهد في حالة تحليل المكون الرئيسي لتقليل مجموعة بيانات معقدة ومربكة في مجموعة معلومات مفيدة مبسطة.