Les composants principaux ont une variété de propriétés utiles (Rao 1964; Kshirsagar 1972): les vecteurs propres sont orthogonaux, de sorte que les composants principaux représentent conjointement des directions perpendiculaires à travers l'espace des variables d'origine. Les scores des composantes principales sont conjointement non corrélés
Les composantes principales sont-elles corrélées ?
L'analyse en composantes principales est basée sur la matrice de corrélation des variables impliquées, et les corrélations nécessitent généralement un échantillon de grande taille avant de se stabiliser.
Les composants PCA sont-ils indépendants ?
PCA projette les données dans un nouvel espace couvert par les composantes principales (PC), non corrélées et orthogonales. Les PC peuvent extraire avec succès des informations pertinentes dans les données. … Ces composants sont statistiquement indépendants, c'est-à-dire qu'il n'y a pas de chevauchement d'informations entre les composants.
Le composant principal est-il unique ?
Ensuite, dans l'ACP à 1 dimension, nous trouvons une ligne pour maximiser la variance de la projection des données à 2 dimensions sur cette ligne. … Cette ligne n'est pas unique lorsque les données 2D ont une symétrie de rotation, il y a donc plus d'une ligne qui donne la même variance maximale dans la projection.
Les composantes principales sont-elles orthogonales ?
Les composantes principales sont les vecteurs propres d'une matrice de covariance, et donc elles sont orthogonales. Il est important de noter que l'ensemble de données sur lequel la technique PCA doit être utilisée doit être mis à l'échelle. Les résultats sont également sensibles à la mise à l'échelle relative.
