Envision how PCA might work. By the

Envision how PCA might work. By the variance assumption PCA first selects a normalized direction
in m-dimensional space along which the variance in X is maximized - it saves this as p1. Again it finds another direction along which variance is maximized, however, because of the orthonormality condition, it restricts its search to all directions perpindicular to all previous selected directions. This could continue until m directions are selected. The resulting ordered set of p’s are the principal components.

Hasil (Bahasa Indonesia) 1:

Membayangkan bagaimana PCA bisa bekerja. Oleh varians asumsi PCA pertama memilih arah yang menormalkandi m-dimensi ruang bersama yang varians di X dimaksimalkan - menghemat ini sebagai p1. Sekali lagi menemukan arah lain sepanjang yang varians dimaksimalkan, namun, karena kondisi orthonormality, membatasi pencariannya semua arah perpindicular ke segala penjuru dipilih sebelumnya. Ini bisa berlanjut sampai m arah yang dipilih. Yang dihasilkan memerintahkan set p adalah komponen utama.

Hasil (Bahasa Indonesia) 2:

Membayangkan bagaimana PCA mungkin bekerja. Dengan asumsi varians PCA pertama memilih arah yang dinormalisasi
di ruang m-dimensi sepanjang yang varians dalam X dimaksimalkan - menghemat ini sebagai p1. Sekali lagi ia menemukan arah lain sepanjang yang varians dimaksimalkan, namun karena kondisi orthonormality, membatasi pencarian ke semua arah perpindicular ke semua arah yang dipilih sebelumnya. Ini bisa berlanjut sampai arah m dipilih. Dihasilkan set memerintahkan p adalah komponen utama.