====== PCA (primary component analysis)======
  * analýza hlavních komponent
  * http://www.crr.vutbr.cz/system/files/prezentace_05_1106_04a.pdf
  * viz DPZ
  * pozitivní korelace - jde v diagonále a skoro k 1, negativní je naopak a třeba -9, žádná korelace má záznamy rozptýlené všude
  * cílem PCA je zjednodušit popis lineárné závislých (tj. korelovaných znaků), a to rozkladem matice dat do **matice strukturní** (využité hlavní komponenty) a **matice šumov**é (nevyužité hlavní komponenty)
  * Využitím PCA je snížení dimenze úlohy čili redukce počtu znaků bez velké ztráty informace, užitím pouze prvních několika hlavních komponent.
  * Hlavní komponenty jsou nekorelované.
  * **latentní proměnná** / hlavní proměnná
  * **určení počtu komponent:**
        * musí být větší než 1
        * tolik komponent, které vysvětlují např, 90 % původní variability
        * použiju [[Scree graf]] 

  * ostatní grafické hilfy
        * https://meloun.upce.cz/docs/publication/262.pdf
        * **Graf komponentních vah, zátěží**
              * zobrazuje komponentní váhy, zátěže, pro obvykle první dvě hlavní komponenty
              * každý bod v grafu odpovídá jednomu znaku
              * v grafu se porovnávají především vzdálenosti mezi shluky
              * krátká vzdálenost mezi znaky -> silná korelace mezi nimi
              * když je to kolmé, mají nulovou korelaci, když je úhel malý nebo velký tak pozitivní nebo negativní korelace
              * čím delší linie -> tím větší vliv na výslednou komponentu!
              * nalezneme i shluk podobných proměnných a hlavními komponentami
              * {{ :wiki:pca9999.png?nolink |}}
        * **Rozptylový diagram (scatterplot)**
              * zobrazuje komponentní skóre pro první dvě hlavní komponenty všech objektů
              * najdu shluk vzájemně podobných objektů a také objekty odlehlé a silně odlišné od ostatních objektů
              * identifikace odlehlých objektů, identifikace trendů, identifikace tříd, shluky objektů
              * objekty daleko od počátku jsou extrémy, blízko k centru jsou nejtypičtější objekty
              * umístěné zřetelně v jednom shluku jsou si podobné a nepodobné objektům v ostatních shlucích
              * {{ ::principal-correspondence-analysis-ind-small.png?nolink |}}
        * **Dvojný graf (Biplot)**
              * Kombinuje dva grafy: graf komponentních zátěží a vykreslení objektů  společně
              * Úhel mezi průvodiči  je nepřímo úměrný velikosti korelace mezi proměnnými
              * {{ ::biplot.png?nolink |}}

====== SVD (singular value decomposition) ======
  * 
====== NMF (Non-negative matrix factorization) ======
  *