นักวิเคราะห์ต้องเปรียบเทียบแบบจำลองโดยใช้ข้อมูลที่ไม่ถูกใช้ฝึก จึงถามว่า ในการวิเคราะห์ข้อมูลด้วย Principal Component Analysis (PCA) มีวัตถุประสงค์และข้อจำกัดหลักอย่างไร
กPCA ใช้แบ่งกลุ่มข้อมูล (Clustering) โดยข้อจำกัดคือต้องกำหนดจำนวนกลุ่มล่วงหน้า
ขPCA ใช้เพื่อทำนายค่าตัวแปรเป้าหมาย (Target Variable) โดยอาศัยตัวแปรอิสระในการสร้างแบบจำลองเชิงพยากรณ์ ข้อจำกัดคือต้องมีตัวแปรเป้าหมายที่ชัดเจนและมีการติดป้ายกำกับ (Labeled Data) ก่อนนำไปวิเคราะห์
คPCA ใช้ตรวจสอบค่าผิดปกติ (Outlier Detection) โดยข้อจำกัดคือทำงานได้เฉพาะข้อมูลเชิงหมวดหมู่
งPCA ใช้ลดมิติข้อมูล (Dimensionality Reduction) โดยแปลงตัวแปรเดิมเป็น Principal Components ที่ไม่มีความสัมพันธ์กัน ข้อจำกัดคือ PC ที่ได้ตีความความหมายทางธุรกิจได้ยาก
เฉลยอธิบาย
PCA (Principal Component Analysis) เป็นเทคนิค Unsupervised Learning สำหรับลดมิติข้อมูล (Dimensionality Reduction) โดยแปลงตัวแปรเดิมที่อาจสัมพันธ์กันเป็น Principal Components ใหม่ที่ไม่มีความสัมพันธ์กัน (Orthogonal) ข้อจำกัดสำคัญคือ PC ที่ได้เป็นการผสมผสานของตัวแปรเดิม ทำให้ตีความความหมายได้ยาก ตัวเลือก A ผิดเพราะ PCA เป็น Unsupervised ไม่ทำนาย ตัวเลือก C ผิดเพราะการแบ่งกลุ่มเป็นวัตถุประสงค์ของ Clustering เช่น K-Means ตัวเลือก D ผิดเพราะ PCA ใช้กับข้อมูลเชิงปริมาณ ไม่ใช่หมวดหมู่