Principal Component Analysis (PCA)

Wat is principal component analysis?

Principal component analysis (PCA) is een statistische techniek die een dataset met veel variabelen samenvat in een klein aantal nieuwe variabelen, de principale componenten. Die componenten vangen samen het grootste deel van de variatie in de oorspronkelijke data. Zo maak je complexe data overzichtelijk zonder de belangrijkste informatie te verliezen.

Hoe werkt het?

PCA zoekt de richtingen in de data waarin de waarden het meest uiteenlopen. De eerste component is de richting met de grootste spreiding, de tweede de grootste spreiding die daar haaks op staat, enzovoort. Wiskundig gebeurt dat via de samenhang (covariantie) tussen variabelen. Elke component is een combinatie van de oorspronkelijke variabelen. Vaak vangen de eerste twee of drie componenten al het merendeel van de variatie, zodat je tientallen kolommen kunt terugbrengen tot een handvol, bijvoorbeeld om data in een grafiek te zetten of een model sneller te trainen.

Wat heb je eraan als bedrijf?

PCA is vooral gereedschap voor data-analisten, maar het idee is breed nuttig: niet elke variabele voegt iets toe. Een analist kan bijvoorbeeld vijftig kenmerken van klanten terugbrengen tot een paar onderliggende dimensies, zoals prijsgevoeligheid of bestelfrequentie, en daarop segmenteren. Voor de meeste MKB-bedrijven is dit iets wat je uitbesteedt of in BI-tooling tegenkomt, geen techniek om zelf te bouwen.

Gerelateerde begrippen

PCA is de bekendste vorm van dimensionality reduction en werkt binnen de feature space van een dataset. Verwante onderwerpen zijn feature selection en cluster analysis.