الرياضيات علم جميل ومثير ، ولكن عليك أن تمضي خطوة بخطوة لفهم جمالها. لا يمكنك الذهاب إلى النهاية مرة واحدة. لتسهيل هذا الانتقال التدريجي ، يمكنك استخدام العديد من الصيغ والطرق.

PCA و ICA هما طريقتان تستخدمان لتقسيم مجموعة البيانات على أساس محدد. تجمع كلتا الطريقتين بين المصادر بطريقة خطية للحصول على مصادر جديدة. كلاهما متشابهان إلى حد كبير لكنهما مختلفان تمامًا عن بعضهما البعض.

الفرق الأكثر عملية بين كلا الأسلوبين هو أن PCA مفيد في العثور على تمثيل منخفض التصنيف لبياناتك. من ناحية أخرى ، يهدف ICA إلى إيجاد عناصر فرعية مستقلة لبياناتك.

في مصطلحات الشخص العادي ، يضغط PCA البيانات ، ويفصلها ICA.

إذا كنت تريد معرفة المزيد عن هذه التقنيات ، فاقرأ حتى النهاية.

تُستخدم تقنيات PCA و ICA في عمليات اختبار مختلفة.

ما هو PCA؟

PCA أو تحليل المكون الرئيسي هو طريقة تصغير تستخدم لتقليل أبعاد مجموعات البيانات الكبيرة عن طريق تغييرها إلى مجموعات أصغر والاحتفاظ بجميع المعلومات الضرورية سليمة.

عندما تقوم بتقليل حجم مجموعة البيانات ، فإنك تضحي بالدقة ، ولكن تقليل الأبعاد هو كل شيء عن التضحية بالدقة من أجل البساطة.

يمكنك استكشاف مجموعات البيانات الأصغر وتصورها بشكل أسهل ، ويمكن لخوارزميات التعلم الآلي تحليل البيانات بشكل أسهل وأسرع لأنهناك عدد أقل من المتغيرات.

للتلخيص ، تهدف PCA إلى تقليل عدد المتغيرات في مجموعة البيانات مع الحفاظ على أكبر قدر ممكن من المعلومات.

ما هو ICA؟

تحليل المكونات المستقلة (ICA) هي تقنية إحصائية تكشف عن العوامل المخفية وراء مجموعات من المتغيرات والقياسات والإشارات العشوائية.

تحليل المكون المستقل (ICA) يأخذ إشارة مختلطة ويفصلها إلى مصادر مستقلة. يمكنك أيضًا تسميتها مشكلة حفلة كوكتيل أو مشكلة فصل أعمى للمصدر.

عندما تكون في حفل كوكتيل ، يتحدث الجميع عن أشياء مختلفة ، لكن عقلك وأذنيك لا يزالان قادرين على تحديد وتحديد صوت واحد تريد سماعه.

وبالمثل ، يعمل ICA على فصل كل إشارة عن مزيج من الإشارات في رسالة مستقلة.

الفرق بين ICA و PCA

فيما يلي قائمة بالاختلافات بين PCA و ICA من أجلك.

• ICA جيد للعثور على عناصر فرعية مستقلة لبياناتك ، بينما يمنحك PCA تمثيلًا منخفض الرتبة.
• يضغط PCA البيانات ، بينما يفصلها ICA.
• في PCA ، تكون المكونات متعامدة ؛ في ICA ، قد لا يكونون كذلك. في ICA ، أنت تبحث عن مكونات موضوعة بشكل مستقل.
• بينما يزيد PCA تباين إشارة الإدخال والمكونات الرئيسية ، يقلل ICA المعلومات المتبادلة بين المكونات الموجودة.
• PCAيرتب الميزات من الأكثر أهمية إلى الأقل أهمية. ومع ذلك ، في ICA ، تكون المكونات غير مرتبة ومتساوية بشكل أساسي.
• يقلل PCA الأبعاد لمنع فرط التجهيز ، بينما يأخذ ICA الإشارة المختلطة ويحولها إلى إشارات مصادرها المستقلة.
• يركز PCA على تعظيم التباينات ، بينما لا يركز ICA على التباين .

هنا مقطع فيديو شامل حول PCA و ICA.

PCA VS ICA

متى يمكنك استخدام ICA؟

ICA هي طريقة لتقليل مجموعة بيانات واسعة من العديد من المتغيرات إلى أعداد أصغر من المكونات المنظمة ذاتيًا.

تتكون مجموعة البيانات من العديد من المتغيرات ، لذا فهي مستقلة يستخدم تحليل المكونات (ICA) لتقليلها إلى أبعاد أصغر ليتم فهمها على أنها شبكات وظيفية ذاتية التنظيم. يمكنك استخدام ICA لتحليل الإشارات غير المادية.

تتضمن تطبيقات قليلة ؛

• توقع أسعار سوق الأسهم
• التصوير البصري للخلايا العصبية
• التعرف على الوجوه
• علم الفلك وعلم الكون
• اتصالات الهاتف المحمول

متى يمكنك استخدام PCA؟

PCA هي تقنية لتقليل الأبعاد تُستخدم في ضغط الصور والتعرف على الوجه ومجالات رؤية الكمبيوتر.

إنها واحدة من أهم الخوارزميات المستخدمة لتقليل الأبعاد لأي البيانات دون فقدان الحكايات الأساسية. يمكنك استخدامه في مجالات مختلفة تتراوح من علوم الأعصاب إلىالتمويل الكمي.

تتضمن بعض تطبيقاته ؛

• التعرف على الوجوه
• ضغط الصور
• تحليل التباين المشترك الذي أطلقه سبايك (العلوم العصبية)
• المعلوماتية الحيوية
• استخراج البيانات

التحليل العصبي باستخدام تقنيات PCA و ICA.

هل مكونات ICA متعامدة؟

مكونات ICA غير متعامدة ؛ محولات التزيين التي يحتوي حلها على إحصائيات عالية المستوى.

هل مكونات PCA مستقلة؟

جميع مكونات PCA مستقلة إحصائيًا.

لا تحتوي مكونات PCA على أي معلومات متداخلة بينها. مكوناته متعامدة بشكل متبادل وتتضمن إحصائيات من الدرجة الثانية.

هل PCA خطي أم غير خطي؟

PCA هو تحويل خطي متعامد.

يحول البيانات إلى نظام إحداثيات جديد بحيث يكمن التباين الأكثر أهمية في الإحداثي الأول ، ثاني أكبر تباين على الإحداثي الثاني ، وهكذا.

ما هو غير الخطي ICA؟

يركز ICA غير الخطي على القدرة على استعادة المتغيرات الكامنة التي تولد البيانات ، وهو جانب أساسي لتعلم التمثيل غير الخاضع للإشراف.

يتم زيادة البيانات باستخدام المتغيرات المساعدة ، مثل فهرس الوقت أو تاريخ السلسلة الزمنية أو أي شيء آخر متاح.

يمكنك تعلم ICA غير الخطي بالتمييز بين البيانات المعززة الدقيقة والبيانات باستخدامالمتغير العشوائي المساعد. من خلال الانحدار اللوجستي ، يمكن تنفيذ إطار العمل بطريقة حسابية.

لماذا ICA غير غاوسي؟

العنصر الأساسي في ICA هو أنه يُفترض أن العوامل الكامنة ليست غاوسية.

ICA لن تفصل بين عاملين غاوسيين لأنها تستند إلى الانحراف عن الوضع الطبيعي . بالنظر إلى متغيرين غاوسيين ، لا يوجد حل واحد لاحتمال المفصل الدائري.

أيهما أفضل ؛ ICA أو PCA؟

كلاهما أفضل في منظورهما واستخدامهما.

يعد PCA مهمًا للعثور على تمثيل منخفض التصنيف لبياناتك ، و ICA للعثور على فرعي مستقل -عناصر البيانات الخاصة بك. من منظور الشخص العادي ، يضغط PCA البيانات ، ويفصلها ICA. كلاهما مفيد.

الأفكار النهائية

ICA و PCA هي تقنيات مستخدمة في حل مشاكل الثعبان - كلاهما يعمل على مبادئ متشابهة ولكن يؤديان وظائف مختلفة.

يساعد ICA في إيجاد عناصر فرعية مستقلة لبياناتك ويفصل بينها. علاوة على ذلك ، يقلل ICA المعلومات المتبادلة بين المكونات الموجودة ويمنحك مكونات موضوعة بشكل مستقل.

ومع ذلك ، يضغط PCA البيانات ويمنحك تمثيلًا منخفض الرتبة مع المكونات المتعامدة ، مما يزيد من تباين إشارة الإدخال جنبا إلى جنب مع المكونات الرئيسية.

مقالات ذات صلة

يمكن العثور على إصدار قصة الويب من هذه المقالة هنا.