因子分析モデル・ナゲットには、データの複雑性を整理する強力なデータ分解手法が 2 種類あります。 この 2 つは、よく似ていますが、異なる点もあります。

• 主成分分析 (PCA) : 入力フィールドの線型結合が検出されます。成分が互いに直交する (直角に交わる) 場合に、フィールドのセット全体の分散を把握するのに役立ちます。 主成分分析では、共有される分散と一意の分散の両方を含むすべての分散に焦点が当てられます。
• 因子分析 : 一連の観測フィールド内の相関パターンを説明する基本概念 (因子) が識別されます。 因子分析では、共有される分散だけに焦点が当てられます。 特定フィールドに固有な分散は、モデル推定時に考慮されません。 因子分析モデル・ナゲットでは、いくつかの因子分析方法を使用できます。

どちらの手法でも、元のフィールド・セットの情報を効果的に要約する少数の派生フィールドの検出が目標です。

要件。 主成分分析-因子分析モデルでは、数値型フィールドだけを使用できます。 因子分析または主成分分析を推定するには、役割が Input フィールドに設定された 1 つ以上のフィールドが必要です。 役割が Target、 Both、または None に設定されているフィールドは、非数値フィールドと同様に無視されます。

利点 因子分析と主成分分析では、情報の内容を大きく損なうことなく、データの複雑性を効果的に低下させることができます。 これらの手法では、元データの入力フィールドを使用するよりも高速に動作する強力なモデルを作成できます。