Numunelerinizin boyutsallığı vektör uzayının boyutluluğundan daha azsa, tekil matrisler ortaya çıkabilir. daha az örneğiniz varsa ( boyutsallığınız olduğunda), bu durum zorunlu olarak ortaya çıkacaktır: örnekleri en fazla boyutlu bir hiper düzlemi kapsar. Böyle küçük bir örnek verildiğinde, ortogonal alanda bir varyansı hesaplayamazsınız.d k + 1 dd+ 1dk + 1d
'S ortak etmek nedeni budur değil literal PCA kullanmak, ancak bunun yerine gerçekleştirmek tekil değer ayrıştırma hesaplamak için kullanılabilir, pseudoinverse bir matris. Matris ters çevrilebilirse, yalancı ters ters olacaktır.
Bununla birlikte, ters çevrilemez matrisler görüyorsanız, vektör kümenin temsil ettiği hiper düzlemin dışındaysa, kümeye olan uzaklığınızın anlamsız olması muhtemeldir, çünkü dikey boşluktaki varyansı bilmiyorsunuz ( bu varyans 0 olarak!) SVD yalancı ters hesaplayabilir, ancak "varyanslar" yine de verileriniz tarafından belirlenmez.
y= xx - y
Ayrıca, kovaryans matrisini nasıl hesapladığınıza bağlı olarak, felaket iptali nedeniyle sayısal sorunlarla karşılaşıyor olabilirsiniz. En basit çözüm her zaman önce verileri ortalamak ve sıfır ortalama elde etmektir.