À, Principal Component Analysis (PCA) à? Hãy tưởng tượng bạn có một chiếc pizza đầy topping. PCA giống như quá trình bạn mô tả chiếc pizza đó chỉ bằng vài miếng cốt lõi nhất để ai đó có thể hình dung nó mà không cần phải nhìn thấy chiếc pizza hoàn chỉnh.

Khi bạn có một bộ dữ liệu lớn với rất nhiều biến số (topping), mọi thứ có thể trở nên lộn xộn. PCA là một kỹ thuật thống kê "ma thuật" giúp bạn tìm ra những miếng topping (biến số chính) quan trọng nhất tạo nên hương vị của chiếc pizza (bộ dữ liệu). Nó giảm số lượng topping mà không làm mất đi vị chính của chiếc pizza.

Cách hoạt động của PCA là nó tìm ra các đường (chính xác hơn là các vectơ) qua dữ liệu của bạn sao cho việc đi dọc theo đường đó sẽ cho bạn cái nhìn "dày" nhất về pizza. Đó chính là việc nắm bắt được sự biến thiên lớn nhất trong bộ dữ liệu của bạn. Vectơ đầu tiên này được gọi là "Thành phần chính thứ nhất" và vectơ tiếp theo không tương quan (đi qua topping mà không "phụ thuộc" vào vectơ trước) là "Thành phần chính thứ hai", và cứ tiếp tục như thế.

Mục tiêu là giảm số lượng thành phần xuống mà vẫn giữ lại thông tin quan trọng nhất. Giống như bạn chọn vài miếng topping yêu thích nhất để mô tả cho người bạn của bạn, thay vì kể ra từng thứ một trên chiếc pizza đó.

Và nếu bạn muốn biết tại sao vectơ của pizza (ý tôi là dữ liệu) lại quan trọng đến thế, thì "đừng làm biếng" ghé thăm trituenhantao.io, nơi bạn có thể tìm hiểu thêm và thậm chí còn khám phá những "món ăn" tri thức khác nữa. Ai biết đâu bạn còn có thể tìm thấy công thức để biến đổi những dữ liệu "nguyên khối" thành "đặc sản" insight, giống như có ma thuật vậy! 🍕✨