1) PCA
主成份分析(PCA)
2) principal component analysis(PCA)
主成分分析(PCA)
1.
Firstly,unsupervised feature extraction based on Principal Component Analysis(PCA) and supervised feature extraction based on Partial Least Squares(PLS) are introduced.
首先介绍基于主成分分析(PCA)的无监督与基于偏最小二乘(PLS)的有监督的特征提取方法;其次通过分析第一成分结构,提出基于PCA与PLS的新的全局特征选择方法,并进一步提出基于PLS的递归特征排除法(PLS-RFE);最后针对MITAML/ALL的分类问题,实现基于PCA与PLS的特征选择和特征提取,以及PLS-RFE特征选择与比较,达到广义小样本信息特征压缩的目的。
2.
Results Analyzing the data with principal component analysis(PCA) by model recognition,the different agents can be distinguished in the scattered plots.
结果所得的数据通过模式识别法中的主成分分析(PCA),在得分散点图中实现了对不同种类的制剂的区分。
3.
japonicus,and using pattern recognitions,such as principal component analysis(PCA),partial least squares-discriiminate analysis(PLS-DA),and hierarchical cluster analysis(HCA) to analyze the data from the 1H-NMR spectra.
方法以1H-NMR技术测定样品的全成分信息,并转化成数据矩阵,采用模式识别法中的主成分分析(PCA)、偏最小二乘法-判别分析(PLS-DA)以及聚类分析(HCA)进行识别分析。
补充资料：主成分分析
| 主成分分析 principal component analysis 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。 |
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条