গণিত এটা সুন্দৰ আৰু ৰোমাঞ্চকৰ বিজ্ঞান, কিন্তু ইয়াৰ সৌন্দৰ্য্য ধৰিবলৈ খোজৰ পিছত খোজ যাব লাগিব। একেলগে গোটেই বাটটো যাব নোৱাৰি৷ এই স্তৰ-দ্বাৰা-পদক্ষেপ পৰিবৰ্তন সহজ কৰিবলে, আপুনি কেইবাটাও সূত্ৰ আৰু পদ্ধতি ব্যৱহাৰ কৰিব পাৰে।

পিচিএ আৰু আইচিএ হৈছে এনে দুটা পদ্ধতি যিটো তথ্যৰ গোট এটাক নিৰ্দিষ্ট ভিত্তিত বিভাজন কৰিবলৈ ব্যৱহাৰ কৰা হয়। দুয়োটা কৌশলে উৎসসমূহক ৰৈখিকভাৱে একত্ৰিত কৰি নতুন উৎস লাভ কৰে। দুয়োটা কৌশলৰ মাজত আটাইতকৈ ব্যৱহাৰিক পাৰ্থক্যটো হ'ল যে আপোনাৰ তথ্যৰ এটা হ্ৰাস-ৰেংক উপস্থাপন বিচাৰি উলিওৱাৰ বাবে পিচিএ উপযোগী। আনহাতে, ICA আপোনাৰ তথ্যৰ স্বতন্ত্ৰ উপ-উপাদান বিচাৰি উলিওৱাৰ বাবে।

সাধাৰণ মানুহৰ ভাষাত পিচিএই তথ্য সংকোচন কৰে, আৰু আইচিএই ইয়াক পৃথক কৰে।

যদি আপুনি এই কৌশলসমূহৰ বিষয়ে অধিক জানিব বিচাৰে, তেন্তে শেষলৈকে পঢ়ক।

পিচিএ আৰু আইচিএ কৌশল বিভিন্ন পৰীক্ষণ প্ৰক্ৰিয়াত ব্যৱহাৰ কৰা হয়।

পিচিএ কি?

PCA বা প্ৰধান উপাদান বিশ্লেষণ হৈছে এটা হ্ৰাস পদ্ধতি যিটো বৃহৎ তথ্যৰ গোটসমূহৰ মাত্ৰাসমূহ সৰুলৈ সলনি কৰি আৰু সকলো প্ৰয়োজনীয় তথ্য অক্ষত ৰাখিবলৈ হ্ৰাস কৰিবলৈ ব্যৱহাৰ কৰা হয়।

যেতিয়া আপুনি এটা ডাটা ছেটৰ আকাৰ হ্ৰাস কৰে, আপুনি সঠিকতাক বলিদান দিছে, কিন্তু মাত্ৰিকতা হ্ৰাস কৰাটো সৰলতাৰ বাবে সঠিকতাক বলিদান দিয়াৰ কথা।

আপুনি সৰু ডাটা ছেটসমূহ সহজে অন্বেষণ আৰু দৃশ্যমান কৰিব পাৰে, আৰু মেচিন লাৰ্নিং এলগৰিদমসমূহে ডাটা অধিক অভিগম্য আৰু দ্ৰুতভাৱে বিশ্লেষণ কৰিব পাৰে কাৰণ

সামৰণিত ক'বলৈ গ'লে, পিচিএৰ লক্ষ্য হৈছে যিমান পাৰি সিমান তথ্য সংৰক্ষণ কৰি এটা ডাটা ছেটত চলকৰ সংখ্যা হ্ৰাস কৰা।

আইচিএ কি?

স্বাধীন উপাদান বিশ্লেষণ (ICA) হৈছে এটা পৰিসংখ্যাগত কৌশল যিয়ে ৰেণ্ডম চলক, জোখ, আৰু সংকেতৰ গোটৰ আঁৰৰ লুকাই থকা কাৰকসমূহ উন্মোচন কৰে।

স্বাধীন উপাদান বিশ্লেষণ (ICA) এ এটা মিশ্ৰিত সংকেত লৈ ইয়াক স্বতন্ত্ৰ উৎসত পৃথক কৰে। ইয়াক ককটেল পাৰ্টিৰ সমস্যা বা অন্ধ উৎস পৃথকীকৰণ সমস্যা বুলিও ক’ব পাৰি।

যেতিয়া আপুনি ককটেল পাৰ্টিত থাকে, তেতিয়া সকলোৱে বিভিন্ন কথা কয়, কিন্তু আপোনাৰ মগজু আৰু কাণে তথাপিও আপুনি শুনিব বিচৰা এটা মাতক বিচাৰি উলিয়াবলৈ আৰু চিনাক্ত কৰিবলৈ সক্ষম হয়।

একেদৰে, ICA এ সংকেতৰ মিশ্ৰণৰ পৰা প্ৰতিটো সংকেতক এটা স্বতন্ত্ৰ বাৰ্তালৈ পৃথক কৰিবলৈ কাম কৰে।

ICA আৰু PCA ৰ মাজৰ পাৰ্থক্য

ইয়াত PCA আৰু... আপোনাৰ বাবে ICA।

• আপোনাৰ তথ্যৰ স্বতন্ত্ৰ উপ-উপাদান বিচাৰি উলিওৱাৰ বাবে ICA ভাল, আনহাতে PCA এ আপোনাক এটা হ্ৰাস-ৰেংক উপস্থাপন দিয়ে।
• পিচিএই তথ্য সংকোচন কৰে, আনহাতে আইচিএই ইয়াক পৃথক কৰে।
• পিচিএত উপাদানসমূহ অৰ্থোগনেল; আইচিএত, তেওঁলোক নহ’বও পাৰে। ICA ত, আপুনি স্বতন্ত্ৰভাৱে স্থাপন কৰা উপাদানসমূহ বিচাৰিছে।
• PCA এ ইনপুট সংকেত আৰু প্ৰধান উপাদানসমূহৰ ভ্যাৰিয়েন্স সৰ্বাধিক কৰাৰ সময়ত, ICA এ পোৱা উপাদানসমূহৰ মাজত পাৰস্পৰিক তথ্য কম কৰে।
• পিচিএবৈশিষ্ট্যসমূহক আটাইতকৈ উল্লেখযোগ্যৰ পৰা কম গুৰুত্বপূৰ্ণলৈ ৰেংকিং কৰে। কিন্তু আইচিএত উপাদানসমূহ মূলতঃ অক্ৰমবদ্ধ আৰু সমান।
• পিচিএই অতিৰিক্ত ফিটিং ৰোধ কৰিবলৈ মাত্ৰা হ্ৰাস কৰে, আনহাতে আইচিএই মিশ্ৰিত-সংকেত লয় আৰু ইয়াক ইয়াৰ স্বতন্ত্ৰ উৎসৰ সংকেতলৈ ৰূপান্তৰিত কৰে।
• পিচিএই ভ্যাৰিয়েন্স সৰ্বাধিক কৰাত মনোনিৱেশ কৰে, আনহাতে আইচিএই ভ্যাৰিয়েন্স ৰ ওপৰত কেন্দ্ৰীভূত নহয়।

পিচিএ আৰু আইচিএৰ বিষয়ে এটা বিস্তৃত ভিডিঅ' ইয়াত দিয়া হ'ল।

পিচিএ বনাম আইচিএ

আপুনি কেতিয়া আইচিএ ব্যৱহাৰ কৰিব পাৰে?

ICA হৈছে বহুতো চলকৰ এটা বিস্তৃত তথ্যৰ গোটক সৰু সংখ্যক স্ব-সংগঠিত উপাদানলৈ হ্ৰাস কৰাৰ এটা উপায়।

এটা তথ্যৰ গোট বহুতো চলকৰে গঠিত, গতিকে স্বাধীন উপাদান বিশ্লেষণ (ICA) ব্যৱহাৰ কৰা হয় ইহঁতক সৰু মাত্ৰালৈ হ্ৰাস কৰিবলৈ যাতে স্ব-সংগঠিত কাৰ্য্যকৰী নেটৱৰ্ক হিচাপে বুজিব পাৰি। আপুনি অ-ভৌতিক সংকেত বিশ্লেষণ কৰিবলৈ ICA ব্যৱহাৰ কৰিব পাৰে।

ইয়াৰ কিছুমান প্ৰয়োগৰ ভিতৰত আছে;

• ষ্টক বজাৰৰ মূল্য ভৱিষ্যদ্বাণী কৰা
• নিউৰনৰ অপটিকেল ইমেজিং
• মুখ চিনাক্তকৰণ
• জ্যোতিৰ্বিজ্ঞান আৰু ব্ৰহ্মাণ্ডবিজ্ঞান
• মোবাইল ফোন যোগাযোগ

আপুনি কেতিয়া পিচিএ ব্যৱহাৰ কৰিব পাৰে?

PCA হৈছে ছবি সংকোচন, মুখ চিনাক্তকৰণ, আৰু কম্পিউটাৰ দৃষ্টি ডমেইনত ব্যৱহৃত এটা মাত্ৰা হ্ৰাস কৌশল।

এইটো যিকোনো এটাৰ মাত্ৰা হ্ৰাসৰ বাবে ব্যৱহৃত আটাইতকৈ জটিল এলগৰিদমসমূহৰ ভিতৰত এটা তথ্যৰ প্ৰয়োজনীয় টিডবিটসমূহ হেৰুৱাই নোপোৱাকৈ। আপুনি ইয়াক স্নায়ুবিজ্ঞানৰ পৰা আৰম্ভ কৰি বিভিন্ন ক্ষেত্ৰত ব্যৱহাৰ কৰিব পাৰেপৰিমাণগত বিত্ত।

ইয়াৰ কিছুমান প্ৰয়োগৰ ভিতৰত আছে;

• মুখৰ চিনাক্তকৰণ
• চিত্ৰ সংকোচন
• স্পাইক ট্ৰিগাৰ কৰা সহাৱস্থান বিশ্লেষণ (স্নায়ুবিজ্ঞান)
• জৈৱ তথ্যবিজ্ঞান
• তথ্য খনি

পিচিএ আৰু আইচিএ কৌশল ব্যৱহাৰ কৰি স্নায়ু বিশ্লেষণ।

আইচিএৰ উপাদানসমূহ অৰ্থগনেল নেকি?

ICA উপাদানসমূহ অ-অৰ্থোগনেল; যাৰ সমাধানৰ উচ্চ-ক্ৰমৰ পৰিসংখ্যা থাকে।

PCA উপাদানসমূহ স্বাধীন নেকি?

পিচিএৰ সকলো উপাদান পৰিসংখ্যাগতভাৱে স্বাধীন।

পিচিএৰ উপাদানসমূহৰ মাজত কোনো ধৰণৰ ওপৰত ওপৰ সোমাই থকা তথ্য নাথাকে। ইয়াৰ উপাদানসমূহ পাৰস্পৰিকভাৱে অৰ্থোগনেল আৰু ইয়াত দ্বিতীয় ক্ৰমৰ পৰিসংখ্যা জড়িত হৈ থাকে।

পিচিএ ৰৈখিক নে অৰৈখিক?

PCA হৈছে এটা অৰ্থোগনেল ৰৈখিক ৰূপান্তৰ।

ই তথ্যক এটা নতুন স্থানাংক ব্যৱস্থালৈ ৰূপান্তৰিত কৰে যাতে আটাইতকৈ উল্লেখযোগ্য ভ্যাৰিয়েন্স প্ৰথম স্থানাংকত থাকে, দ্বিতীয় আটাইতকৈ ডাঙৰ ভ্যাৰিয়েন্স দ্বিতীয় স্থানাংকত, ইত্যাদি ইত্যাদি।

অৰৈখিক আইচিএ কি?

অৰৈখিক আইচিএই তথ্য সৃষ্টি কৰা সুপ্ত চলকসমূহ পুনৰুদ্ধাৰ কৰাৰ ক্ষমতাৰ ওপৰত গুৰুত্ব আৰোপ কৰে, যিটো তত্বাৱধানহীন প্ৰতিনিধিত্ব শিক্ষণৰ এটা মৌলিক দিশ।

তথ্য সহায়ক চলকসমূহৰ সৈতে বৃদ্ধি কৰা হয় , যেনে সময় সূচী, সময় শৃংখলাৰ ইতিহাস, বা আন যিকোনো উপলব্ধ।

আপুনি সঠিক বৰ্ধিত তথ্য আৰু তথ্যৰ মাজত পাৰ্থক্য কৰি অৰৈখিক আইচিএ শিকিব পাৰেৰেণ্ডম সহায়ক চলক। লজিষ্টিক ৰিগ্ৰেছনৰ জৰিয়তে কাঠামোটো এলগৰিদমিকভাৱে প্ৰণয়ন কৰিব পাৰি।

আইচিএ অ-গাউছিয়ান কিয়?

আইচিএৰ এটা মূল উপাদান হ'ল সুপ্ত কাৰকসমূহক অগাউছিয়ান বুলি ধৰা হয়।

আইচিএই দুটা গাউছিয়ান কাৰক পৃথক নকৰে কাৰণ ই স্বাভাৱিকতাৰ পৰা বিচ্যুতিৰ ওপৰত ভিত্তি কৰি কৰা হয় . দুটা গাউছিয়ান চলক দিলে, এটা বৃত্তাকাৰ সংযোগ সম্ভাৱনাৰ বাবে কোনো এটা সমাধান নাই।

কোনটো ভাল; আইচিএ বা পিচিএ?

দুয়োটা নিজৰ দৃষ্টিভংগী আৰু ব্যৱহাৰত ভাল।

আপোনাৰ তথ্যৰ এটা হ্ৰাস-ৰেংক উপস্থাপন বিচাৰি উলিওৱাৰ বাবে PCA উল্লেখযোগ্য, আৰু স্বতন্ত্ৰ উপ বিচাৰি উলিওৱাৰ বাবে ICA -আপোনাৰ তথ্যৰ উপাদানসমূহ। সাধাৰণ মানুহৰ ভাষাত ক’বলৈ গ’লে পিচিএই তথ্য সংকোচন কৰে, আৰু আইচিএই ইয়াক পৃথক কৰে। গতিকে দুয়োটা উপযোগী।

চূড়ান্ত চিন্তা

ICA আৰু PCA পাইথন সমস্যা সমাধানত ব্যৱহৃত কৌশল – দুয়োটাই একে নীতিত কাম কৰে কিন্তু বিভিন্ন কাম কৰে।

ICA এ আপোনাৰ তথ্যৰ স্বতন্ত্ৰ উপ-উপাদান বিচাৰি উলিওৱাত সহায় কৰে আৰু সিহতক পৃথক কৰে। ইয়াৰ উপৰিও, ICA এ পোৱা উপাদানসমূহৰ মাজত পাৰস্পৰিক তথ্য নূন্যতম কৰে আৰু আপোনাক স্বতন্ত্ৰভাৱে স্থাপন কৰা উপাদানসমূহ দিয়ে।

কিন্তু, PCA এ তথ্য সংকোচন কৰে আৰু আপোনাক অৰ্থগনেল উপাদানসমূহৰ সৈতে এটা হ্ৰাস-ৰেংক উপস্থাপন দিয়ে, যি ইনপুট সংকেতৰ ভ্যাৰিয়েন্স সৰ্বাধিক কৰে মূল উপাদানসমূহৰ সৈতে।

সম্পৰ্কীয় প্ৰবন্ধ

এই প্ৰবন্ধৰ ৱেব কাহিনী সংস্কৰণ ইয়াত পোৱা যাব।