PRINCIPAL COMPONENT in Japanese translation

• 主成分
• principal component
• 主要成分

Examples of using Principal component in English and their translations into Japanese

This paper examines the theory of kernel Fisher discriminant analysis(KFD) in a Hilbert space and develops a two-phase KFD framework, i.e., kernel principal component analysis(KPCA) plus Fisher linear discriminant analysis(LDA).
本稿はヒルベルト空間でカーネルフィッシャー判別分析（KFD）の理論を検証し、二相KFDのフレームワーク、即ち、カーネル主成分分析（KPCA）そしてフィッシャーの線形判別分析（LDA）を展開する。

The second principal component, on the vertical axis, has positive coefficients for the variables education, health, arts, and transportation, and negative coefficients for the remaining five variables.
第2主成分は縦軸にあり、education、health、arts、transportationの各変数の係数は正で、他の5つの変数の係数は負となっています。

And the variance of this variable is the maximum among all possible choices of the first axis. The second principal component is another axis in space, perpendicular to the first.
この値の分散は、最初の軸を決定するときに最大量を選択します。第2主成分は、空間内の別の軸で、第1主成分に直交します。

Fit Orthogonal Uses the univariate variance estimates computed from the samples of X and Y. This turns out to be the standardized first principal component.
直交のあてはめXとYの一変数ずつから求めた分散の推定値を使います。この結果は、標準化したデータに対する主成分分析の第1主成分です。

Rows of Y correspond to observations and columns correspond to variables. Probabilistic principal component analysis might be preferable to other algorithms that handle missing data, such as the alternating least squares algorithm when any data vector has one or more missing values.
Yの行は観測値に対応し、列は変数に対応します。データベクトルに1つ以上の欠損値がある場合、交互最小二乗アルゴリズムなど欠損値を認識する他のアルゴリズムよりも、確率的主成分分析が推奨される場合があります。

Three main tools are available to check the unidimensionality of a block: use of principal component analysis of each block of manifest variables, Cronbach's a and Dillon-Goldstein's r. Principal component analysis of a block A block is essentially unidimensional if the first eigenvalue of the correlation matrix of the block MVs is larger than 1 and the second one smaller than 1, or at least very far from the first one.
顕在変数の各ブロックの主成分分析の利用,Cronbachのa,Dillon-Goldsteinのρである…ブロックの主成分分析ブロックMVの相関行列の第1固有値が1より大きく第2固有値が1より小さいか,または少なくとも第1固有値よりもずっと離れているなら,ブロックは本質的に一次元である。

It also returns the principal component scores, which are the representations of Y in the principal component space, and the principal component variances, which are the eigenvalues of the covariance matrix of Y, in pcvar. Each column of coeff contains coefficients for one principal component, and the columns are in descending order of component variance.
また、主成分スコア、つまり、主成分空間内のYの表現と、主成分分散、つまりpcvarのYの共分散行列の固有値も返します。coeffの列ごとに1つの主成分の係数が含まれ、これらの列は成分分散の降順で並びます。

The principal components are an oil phase and an aqueous phase.
主成分は、油相と水相です。

We can provide diversity analysis, principal components analysis, and multivariate analyses.
多様性解析、主成分分析、多変量解析などが可能です。

The principal components, or scores, are given by XsV.
なお、主成分スコアはXsVによって求められます。

With the principal components analysis we would have obtained the following results.
主成分分析では、我々は以下の結果を得るでしょう：。

The. NET Framework has two principal components.
NETFrameworkには、2つの主要コンポーネントがあります。

The second output, score, contains the coordinates of the original data in the new coordinate system defined by the principal components.
つ目の出力scoreは、主成分によって定義される新しい座標系に元のデータの座標を含んでいます。

Principal components analysis constructs independent new variables which are linear combinations of the original variables.
主成分分析により、元の変数の線形結合である新しい独立変数が作成されます。

Principal Components Analysis and Factor Analysis are similar because both procedures are used to simplify the structure of a set of variables.
主成分分析と因子分析は、両方とも変数の構造を単純化するために使用するので、似ています。

The first output, wcoeff, contains the coefficients of the principal components.
最初の出力(wcoeff)には主成分の係数が含まれています。

This example shows how to perform a weighted principal components analysis and interpret the results.
この例では、重み付け主成分分析を実行し結果を解釈する方法を示します。

Overview of the Cluster Variables Platform Principal components analysis constructs components that are linear combinations of all the variables in the analysis.
変数のクラスタリング」プラットフォームの概要主成分分析では、分析対象となっているすべての変数の線形結合によって主成分を求めます。

All the principal components are orthogonal to each other, so there is no redundant information.
すべての主成分は互いに直交しているので、余分な情報はありません。

It works better than principal components analysis as a tool to reduce the dimensionality of data 2.
この方法は、データの次元を下げるツールとしての主成分分析より、ずっと優れている。