(Miner3D Professional とMiner3D Enterpriseに含まれます)

パワーユーザーは、よく高次元なデータ集合を処理しなければなりません。PCAは、データの概要を把握したり、グルーピングやトレンド、はずれ値を探したり、変数間の相関を評価したり、情報の損失なしにデータの次元数を減らしたりするために優れたツールです。この手法は、データの可視化のためにより適したデータの部分集合を用意して、分析から有益な結果を産出する可能性を高めることができます。

PCA は、元の次元数の変数に含まれる情報を、より少ない数の主成分に圧縮する方法を提供して、重要な情報に注目することを可能にします。高次元の情報は、しばしばわずかな数の重要な次元、またはその組み合わせにあり、一方、その残りの部分は、”ノイズ”やその他の重要でないデータを含みます。PCAは、これらの重要な次元を識別して、残りの次元を捨てて、データ中の最も重要な情報を含む”部分空間”を選択します。

PCAは、最初のわずかの次元にデータｗのほとんどのバラツキを含むような新しい軸（PCAベクトル）の集合を見つけようとします。PC（主成分）は、独立で相関のない変数であり、観測された変数を説明します。各PCは、元の変数の一次結合です。Miner3DのPCAは、共分散行列の固有値分解で実装されています。