エントリーの編集
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
PCA, ICA, PLS, CCA, LDAの違い~線形の潜在変数モデルとしての差異~ : 大学教授のブログ (データ分析相談所)
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
PCA, ICA, PLS, CCA, LDAの違い~線形の潜在変数モデルとしての差異~ : 大学教授のブログ (データ分析相談所)
下の5つの手法はどれも説明変数 (記述子・特徴量・入力変数) から潜在的な変数 (たとえばPCAなら主成分... 下の5つの手法はどれも説明変数 (記述子・特徴量・入力変数) から潜在的な変数 (たとえばPCAなら主成分と呼ばれます) を計算する手法であり、その潜在変数 (latent variable, LV) は説明変数の線形結合で (説明変数のベクトルとあるベクトルの内積の形で) 表されることを仮定しています。 主成分分析 (Principal Component Analysis, PCA) 独立成分分析 (Independent Component Analysis, ICA) 部分的最小二乗法 (Partial Least Squares, PLS) 正準相関解析 (Canonical Correlation Analysis, CCA) 線形判別分析 (Linear Discriminant Analysis, LDA) 今回はこれらの違いをまとめておきます。