Principalkomponenter har en mängd användbara egenskaper (Rao 1964; Kshirsagar 1972): Egenvektorerna är ortogonala, så huvudkomponenterna representerar gemensamt vinkelräta riktningar genom de ursprungliga variablernas utrymme. Huvudkomponentpoängen är gemensamt okorrelerade
Är huvudkomponenterna korrelerade?
Principal komponentanalys är baserad på korrelationsmatrisen för de inblandade variablerna, och korrelationer behöver vanligtvis en stor urvalsstorlek innan de stabiliseras.
Är PCA-komponenter oberoende?
PCA projicerar data till ett nytt utrymme som täcks av huvudkomponenterna (PC), som är okorrelerade och ortogonala. Datorerna kan framgångsrikt extrahera relevant information i datan. … Dessa komponenter är statistiskt oberoende, dvs. det finns ingen överlappande information mellan komponenterna.
Är huvudkomponenten unik?
Sedan i 1-dimensionell PCA hittar vi en linje för att maximera variansen i projektionen av 2-dimensionella data på den linjen. … Denna linje är inte unik när 2D-data har rotationssymmetri, så det finns mer än en linje som ger samma maximala varians i projektionen.
Är huvudkomponenterna ortogonala?
De huvudsakliga komponenterna är egenvektorerna för en kovariansmatris, och därför är de ortogonala. Viktigt är att den datauppsättning som PCA-tekniken ska användas på måste skalas. Resultaten är också känsliga för den relativa skalningen.