Uprock M. schrieb:
> "With three dimensions, PCA is more useful, because it's hard to see
> through a cloud of data."
Soll wohl heißen: Im R^2 könnte man die Hauptachse ja noch nach Augenmaß
bestimmen anstatt zu rechnen; im R^n wird man sich damit jedoch schwer
tun. Dort ist diese mathematische Transformation halt nützlicher als im
R^2.
Uprock M. schrieb:
> Heißt es nun theoretisch, dass ich ein Modell auf n-Komponenten zerlegen
> kann und mir daraus eine Komponente mit den besten Parametern für
> Prediction aussuchen kann? Oder verstehe ich das falsch?
Hmm, ich glaube ich verstehe deine Frage jetzt auch nicht richtig, aber
wenn dir eine Komponente ausreicht dann kannst du dich freilich schon
darauf beschränken. Allerdings ist eine einzige Achse i.d.R. schon
ziemlich dürftig...
Schau dir doch als praktisches Beispiel mal Eigengesichter an.