PCA1

schoice

Published

May 17, 2023

Aufgabe

Principal Component Analysis (PCA) ist ein gängiges Verfahren zur Dimensionsreduktion eines \(n \times p\) Datensatz \(\boldsymbol{X}\). Welche Aussage ist in dem Zusammenhang (am ehesten) korrekt?

Answerlist

Eine z-Transformation ist i.A. empfehlenswert.
Die Gerade einer Hauptkomponenten und die Regressionsgeraden sind i.A. nicht identisch.
Die PCA ist ein geleitetes (supervised) Verfahren des statistisches Lernens.
Ein Screeplot zeigt auf der \(Y\)-Achse die kumulierte, erklärte Varianz.
Bei einem \(n \times p\) Datensatz \(\boldsymbol{X}\) gibt es max(\(n-1, p\)) Komponenten.
Komponenten können (müssen aber nicht) orthogonal zueinander sein.
Je stärker korreliert die \(p\) Variablen sind, desto weniger sinnvoll ist eine PCA.
Ein Screeplot zeigt auf der \(X\)-Achse die kumulierte, erklärte Varianz.

Lösung

Answerlist

Wahr
Wahr
Falsch
Falsch
Falsch
Falsch
Falsch
Falsch

Categories:

schoice

---
exname: pca1
extype: schoice
exsolution: 11000000
exshuffle: 5
expoints: 4
date: '2023-05-17'
slug: PCA1
title: PCA1
categories: schoice

---




```{r global-knitr-options, include=FALSE}
knitr::opts_chunk$set(fig.pos = 'H',
                      fig.asp = 0.618,
                      fig.width = 4,
                      fig.cap = "", 
                      fig.path = "",
                      echo = FALSE,
                      message = FALSE,
                      fig.show = "hold")
```






# Aufgabe

*Principal Component Analysis* (PCA) ist ein gängiges Verfahren zur Dimensionsreduktion eines $n \times p$ Datensatz $\boldsymbol{X}$. Welche Aussage ist in dem Zusammenhang (am ehesten) korrekt?




Answerlist
----------
* Eine *z*-Transformation ist i.A. empfehlenswert.
* Die Gerade einer Hauptkomponenten und die Regressionsgeraden sind i.A. nicht identisch.
* Die PCA ist ein geleitetes (supervised) Verfahren des statistisches Lernens.
* Ein Screeplot zeigt auf der $Y$-Achse die kumulierte, erklärte Varianz.
* Bei einem $n \times p$ Datensatz $\boldsymbol{X}$ gibt es max($n-1, p$) Komponenten.
* Komponenten können (müssen aber nicht) orthogonal zueinander sein.
* Je stärker korreliert die $p$ Variablen sind, desto weniger sinnvoll ist eine PCA.
* Ein Screeplot zeigt auf der $X$-Achse die kumulierte, erklärte Varianz.



</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>

# Lösung



Answerlist
----------

* Wahr
* Wahr
* Falsch
* Falsch
* Falsch
* Falsch
* Falsch
* Falsch





---

Categories: 

schoice