Waarom is dit belangrijk?
Grote bestanden met heel veel metingen tegelijk worden zo leesbaar dat groepen in de gegevens opvallen. In de genetica gebruiken onderzoekers hoofdcomponentenanalyse om verschillen tussen bevolkingsgroepen in grote erfelijkheidsstudies zichtbaar te maken. Op school en in onderzoek zien studenten en analisten daardoor de grote lijnen in complexe gegevens, maar kleine verschillen vallen weg en het overzicht blijft een vereenvoudiging van de werkelijkheid.
Zo werkt het in de praktijk
Principale-componentenanalyse heeft toepassingen in de atmosferische wetenschap. In de meteorologie heet de methode empirical orthogonal functions. In de signaalverwerking heet zij de discrete Karhunen–Loève-transformatie, en in multivariate kwaliteitscontrole de Hotelling-transformatie.
Principale-componentenanalyse dient als eerste stap bij een factoranalyse. De stap helpt het maximale aantal factoren en hun aard te bepalen. Bij samenhangende variabelen volgt principale-componentenregressie, zodat het model niet te nauw op één bestand aansluit.
In de norm ISO 18115-1 staat principale-componentenanalyse als term voor oppervlaktechemie. De tekst noemt ruim gebruik bij SIMS-spectra, metingen van secundaire ionen, om trends en clusters te zien. Bij kaarten vergroot de analyse het contrast tussen chemisch verschillende gebieden.




