Principal Component Analysis (PCA)

Principal Component Analysis (PCA) merupakan suatu cara untuk menggambarkan multivariasi data dengan memaksimalkan varian. PCA berguna untuk mengompress atau meminimalkan dimensi dari suatu input jaringan sehingga dapat meminimalkan cost dan pembelajaran bisa lebih efektif dan efisien. Dalam PCA, kita mencari nilai eigen value dan eigen vector serta komponen-komponen matrik yang orthogonal. Dari itu kita bisa mengurangi dimensi dari system jaringan.
Langkah-langkah umum dalam menggunakan PCA adalah:
A. Scaling
Scaling PCA
B. Kalkulasi matriks covariance
matriks covariance C. Kalkulasi eigen value dan eigen vector dari covariance matriks
Contoh untuk data dua dimensi :
eigen value Keterangan :
λ1,2 = eigen value
a,b = konstanta
D. Kalkulasi Score
kalkulasi score -T(nxm) = matrix of principle components score
-X(nxm) = matrix of observation (scaled original data matrix)
-P(mxm) = square matrix of eigenvector or loading matrix
Artikel-artikel terkait :
1. Metode SOM (Self Organizing Maps) untuk Pengenalan Pola.

2.Metode LVQ (Learning Vector Quantization) Untuk Pengenalan Pola.


Be Sociable, Share!

You may also like...

Leave a Reply

Your email address will not be published. Required fields are marked *