Analisi alle Componenti Principali

Riassunto

L’analisi alle componenti principali (Principal Component Analysis, PCA) ([55]) è un metodo per analizzare e identificare delle configurazioni caratteristiche nei dati ed esprimerli in modo tale da evidenziarne le similarità e le differenze. Poiché può essere difficile trovare delle configurazioni caratteristiche nei dati, la PCA é uno strumento di analisi potente. Un altro vantaggio della PCA, una volta che sono state trovate le configurazioni caratteristiche, è quello di fare delle compressioni e quindi ridurre il numero dei dati senza perdere informazioni. Il metodo trova le configurazioni spaziali della variabilità, le loro variazioni temporali a dà una misura dell’importanza di ciascuna configurazione. È necessario chiarire che anche se il metodo seleziona i dati in mode di variabilità queste mode sono mode dei dati e non necessariamente delle mode fisiche che invece sono soggetti a interpretazione. Per esaminare la variabilità accoppiata di due campi si usa il metodo SVD la cui analisi identifica solo quelle mode di comportamento in cui le variazione dei due campi sono fortemente accoppianti. In letteratura il metodo PCA viene anche chiamato metodo EOF (Empirical Orthogonal Function). I metodi di analisi sono basati essenzialmente sul calcolo matriciale.