Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Hoofdcomponentenanalyse (PCA)

Engels: Principal component analysis (PCA) · Ook wel: PCA, principal component analysis, principal components analysis, principale componentenanalyse, principale-componentenanalyse

In het kort

Principale-componentenanalyse (hoofdcomponentenanalyse, PCA) is een statistische methode die samenhangende meetwaarden omzet in nieuwe, onafhankelijke grootheden. De eerste nieuwe grootheid is een combinatie van de oorspronkelijke meetwaarden en vangt de grootste spreiding; elke volgende grootheid staat daar loodrecht op en vangt de resterende spreiding. Onderzoekers vatten zo veel samenhangende kenmerken samen in enkele componenten, bijvoorbeeld lengte en gewicht van proefpersonen, en de uitkomst verandert sterk als die meetwaarden op een andere schaal staan.

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.

Bron: en.wikipedia.org

Gecontroleerd op 5 november 2026