The primary drive behind PCA is to use the fewest components possible to reduce the dimensions of the data we work with. Hence, we often care about PCA trimming - keep only the top ingredients and discard the rest. There are at least two reasons for this: First, trimming gives us a sense of the complexity of the data set. If the two major components capture a large majority of the contrast, then the dataset is more or less two-dimensional. Second, truncation weakens the data. The conceptual correlation of PCA by regression is useful again here - PCA resembles a smooth curve fit through noisy data as the principal component approximation gives a smooth, less noisy representation of the data. The goals of PCA are to reduce the dimensions of the dataset first, and then to identify meaningful new variables secondly

Drive primer di belakang PCA adalah menggunakan komponen sesedikit mungkin untuk mengurangi dimensi data yang kami kerjakan. Oleh karena itu, kami sering peduli tentang pemangkasan PCA - hanya menyimpan bahan -bahan teratas dan membuang sisanya. Setidaknya ada dua alasan untuk ini: pertama, pemangkasan memberi kita rasa kompleksitas kumpulan data. Jika dua komponen utama menangkap sebagian besar kontras, maka dataset kurang lebih dua dimensi. Kedua, pemotongan melemahkan data. Korelasi konseptual PCA dengan regresi bermanfaat lagi di sini - PCA menyerupai kurva yang halus melalui data bising karena perkiraan komponen utama memberikan representasi data yang halus dan kurang bising. Tujuan PCA adalah untuk mengurangi dimensi dataset terlebih dahulu, dan kemudian mengidentifikasi variabel baru yang bermakna kedua