34.關於主成分分析（Principal Component Analysis, PCA）屬性萃取的主要用 途，下列哪一項正確？
(A) 萃取出重要的主要主成分後，可以長條圖視覺化多變量資料
(B) 可將低度相關的預測變數矩陣 X，轉換成相關且量多的潛在變數集合
(C) 可將最攸關的訊息與無關的雜訊結合
(D) 可將問題領域中的數個變數，組合成單一或數個具訊息力的特徵變數

答案：登入後查看
統計： A(13), B(5), C(2), D(30), E(0) #3103459

詳解 (共 1 筆)

#6324691

主成分分析（PCA）的屬性萃取主要目的是通過線性組合將原始變數轉換為少數不相關的主成分，以降低維度並保留主要資訊。以下分析各選項：

ㅤㅤ
  • (A) 長條圖（如碎石圖）可用於視覺化主成分的變異數貢獻率，但PCA的主要視覺化應用是散點圖（如前兩主成分的分布），因此此選項表述不夠精確。
  • (B) PCA適用於處理高度相關 的變數，並轉換為低維度且不相關 的主成分，而非「相關且量多」的潛在變數，明顯錯誤。
  • (C) PCA的目標是分離主要訊息與雜訊 （保留高變異維度，忽略低變異雜訊），而非「結合」，此敘述矛盾。
  • (D) 正確描述PCA的核心功能：將原始多變數組合成少量具高訊息力的主成分（特徵變數），實現降維與資訊濃縮。
ㅤㅤ

答案：(D) 可將問題領域中的數個變數，組合成單一或數個具訊息力的特徵變數。

0
0