Der Faktor/PCA-Knoten bietet leistungsstarke Datenreduktionsverfahren zur Verringerung der Komplexität der Daten. Es sind zwei ähnliche, aber doch völlig getrennte Ansätze verfügbar:

• Die Hauptkomponentenanalyse (PCA) findet lineare Kombinationen der Eingabefelder, die die Varianz im gesamten Set der Felder am besten erfassen, wenn die Komponenten orthogonal (lotrecht) zueinander sind. PCA gilt für sämtliche Varianz, darunter sowohl gemeinsame als auch nur für bestimmte Felder geltende Varianz.
• Mit der Faktorenanalyse wird versucht, die zugrunde liegenden Konzepte oder Faktoren zu bestimmen, die die Korrelationsmuster innerhalb eines Sets beobachteter Felder erklären. Die Faktorenanalyse zielt nur auf die gemeinsame Varianz ab. Varianz, die nur für bestimmte Felder gilt, wird bei der Modellschätzung nicht berücksichtigt. Der Faktor/PCA-Knoten bietet mehrere Methoden der Faktorenanalyse.

Bei beiden Ansätzen besteht das Ziel darin, eine kleinere Zahl abgeleiteter Felder zu finden, mit denen die Informationen in der ursprünglichen Menge der Felder effektiv zusammengefasst werden können.

Anforderungen. In PCA-Faktormodellen können nur numerische Felder verwendet werden. Um eine Faktorenanalyse oder PCA zu schätzen, benötigen Sie mindestens ein Feld mit der Rolle Input . Felder mit der Rolle Target, Bothoder None werden ignoriert, ebenso wie nicht numerische Felder.

Stärken. Die Faktorenanalyse und die Hauptkomponentenanalyse (PCA) können die Komplexität der Daten effektiv reduzieren, ohne den Informationsgehalt wesentlich zu beeinträchtigen. Mit diesen Verfahren können Sie robustere Modelle erstellen, die schneller ausgeführt werden können, als dies mit den rohen Eingabefeldern der Fall wäre.