AITerms 登入
統計方法特徵工程

主成分分析(Principal Component Analysis)是什麼?

主成分分析是一種降維技術,藉由找出資料變異最大的方向,將高維度資料投影至低維度空間,以保留關鍵資訊

完整定義

主成分分析 (PCA) 是一種統計方法,用於降低資料的維度,同時保留最重要的資訊。它通過將原始資料轉換為一組線性不相關的變數,稱為主成分,來實現這一點。這些主成分按其解釋資料變異性的程度排序,因此可以選擇前幾個主成分來代表原始資料,從而簡化分析和建模。

白話說明

你有沒有一堆欄位太多,想先濃縮成幾個重點再分析?

你可以把 主成分分析 想成 把很多欄位濃縮成少數幾個重點方向。

維度太高時,計算和理解都會變難,找出變化最大的方向,把資料壓縮到更少維度 這件事就特別重要。

記住這句

找出變化最大的方向,把資料壓縮到更少維度

比喻:主成分分析就像把一張很複雜的地圖(高維度資料)簡化成一張重點標示的地圖 -- 它會找出地圖上最重要的線條和地標(變異最大的方向),把那些不那麼重要的細節拿掉,讓你一眼就能掌握重點,但又不失主要資訊。

容易混淆

主成分分析 vs 特徵選擇

特徵選擇像直接從一堆食材中挑出幾樣你覺得最重要的,把其他都丟掉;主成分分析像把所有食材打成綜合果汁,雖然還是所有食材都在裡面,但變成了更濃縮、更精華的幾種成分。

最關鍵的區別:一個壓成新座標,一個保留原欄位。

主成分分析 vs 特徵選擇

PCA 是把特徵壓成新座標,特徵選擇是直接挑原本欄位留下

最關鍵的區別:一個換座標,一個挑欄位。

實際案例

案例 1:把上百個感測器欄位壓成少數幾個主成分

案例 2:先降維再做分群,讓視覺化更清楚

演算法與應用

核心意思就是:找出變化最大的方向,把資料壓縮到更少維度。

常用在視覺化、降噪和加速後續模型訓練

若資料本身是非線性結構,PCA 不一定最合適

情境判斷

Q2(判斷題): 想保留原始欄位名字時,還適合用 PCA 嗎?

看情況,若你需要可解釋欄位,特徵選擇通常比 PCA 更直觀

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,有 9 題把主成分分析列為延伸術語,這裡列出 5 題。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本