Thursday, April 19, 2018

Perbedaan Principal Component Analysis (PCA) vs Feature Selection


Principal Component Analysis (PCA) vs Feature Selection
 
KESAMAAN:
Kedua metode mengurangi dimensi (prediktor). 

PERBEDAAN:
Princial Componen Analysis (PCA) menggabungkan atribut yang serupa (berkorelasi) dan membuat yang baru. Atribut baru ini lebih unggul dibanding atribut asli.

Feature Selection (FS) tidak menggabungkan atribut. Hanya mengevaluasi kualitas atribut terhadap kemampuan prediksi dan memilih set atribut terbaik.

Kelebihan PCA adalah kombinasi dari sejumlah N atribut terkadang lebih baik daripada atribut individual. Kekurangannya adalah agak sulit untuk menjelaskan apa sebenarnya (hakikat) dari komponen PCA.

Oleh karena itu, lebih sering digunakan/diadopsi Feature Selection karena meskipun kekuatan prediksi tidak sebaik PCA namun kemudahannya untuk dipahami menjadinya lebih disukai.

Related Posts

Perbedaan Principal Component Analysis (PCA) vs Feature Selection
4/ 5
Oleh