Riyaziyyat gözəl və həyəcanverici bir elmdir, lakin onun gözəlliyini dərk etmək üçün addım-addım getməlisən. Bütün yolu bir anda gedə bilməzsiniz. Bu addım-addım keçidi asanlaşdırmaq üçün bir neçə düstur və üsuldan istifadə edə bilərsiniz.

PCA və ICA, məlumat dəstini xüsusi əsasda bölmək üçün istifadə olunan iki belə üsuldur. Hər iki üsul yenilərini əldə etmək üçün mənbələri xətti şəkildə birləşdirir. Onların hər ikisi olduqca oxşardır, lakin bir-birindən çox fərqlidir.

Hər iki texnika arasında ən praktik fərq ondan ibarətdir ki, PCA məlumatlarınızın aşağı səviyyəli təqdimatını tapmaq üçün faydalıdır. ICA, digər tərəfdən, məlumatlarınızın müstəqil alt elementlərini tapmaq üçündür.

Layman dili ilə desək, PCA məlumatları sıxır və ICA onları ayırır.

Bu texnikalar haqqında daha çox öyrənmək istəyirsinizsə, sona qədər oxuyun.

PCA və ICA texnikaları müxtəlif sınaq proseslərində istifadə olunur.

PCA nədir?

PCA və ya Əsas Komponent Analizi böyük məlumat dəstlərinin ölçülərini daha kiçiklərə dəyişdirərək və bütün lazımi məlumatları toxunulmaz saxlamaqla azaltmaq üçün istifadə edilən ixtisar üsuludur.

Məlumat dəstinin ölçüsünü azaltdığınız zaman dəqiqliyi qurban vermiş olursunuz, lakin ölçünün azaldılması sadəlik üçün dəqiqliyi qurban verməkdən ibarətdir.

Daha kiçik məlumat dəstlərini daha asan araşdırıb vizuallaşdıra bilərsiniz və maşın öyrənməsi alqoritmləri məlumatları daha əlçatan və daha sürətli təhlil edə bilər, çünkidaha az dəyişən var.

Xülasə etmək üçün, PCA mümkün qədər çox məlumatı qoruyaraq verilənlər dəstindəki dəyişənlərin sayını azaltmağı hədəfləyir.

ICA nədir?

Müstəqil Komponent Analizi (ICA) təsadüfi dəyişənlər, ölçmələr və siqnallar dəstlərinin arxasında gizli amilləri aşkar edən statistik texnikadır.

Müstəqil Komponent Analizi (ICA) qarışıq siqnal alır və onu müstəqil mənbələrə ayırır. Siz həmçinin kokteyl partiyası problemi və ya kor mənbənin ayrılması problemi adlandıra bilərsiniz.

Siz kokteyldə olarkən hamı müxtəlif şeylər haqqında danışır, lakin beyniniz və qulağınız hələ də eşitmək istədiyiniz bir səsi tapıb müəyyən etməyi bacarır.

Eyni şəkildə, ICA hər bir siqnalı siqnalların qarışığından müstəqil mesaja ayırmaq üçün işləyir.

ICA və PCA arasındakı fərq

Budur PCA ilə PCA arasındakı fərqlərin siyahısı Sizin üçün ICA.

• ICA məlumatlarınızın müstəqil alt elementlərini tapmaq üçün yaxşıdır, PCA isə sizə aşağı dərəcəli təmsilçilik əldə edir.
• PCA verilənləri sıxır, ICA isə onları ayırır.
• PCA-da komponentlər ortoqonaldır; ICA-da onlar olmaya bilər. ICA-da siz müstəqil olaraq yerləşdirilən komponentləri axtarırsınız.
• PCA giriş siqnalının və əsas komponentlərin fərqini maksimuma çatdırsa da, ICA tapılan komponentlər arasında qarşılıqlı məlumatı minimuma endirir.
• PCAxüsusiyyətləri ən əhəmiyyətlidən ən az əhəmiyyətliyə doğru sıralayır. Bununla belə, ICA-da komponentlər mahiyyət etibarilə nizamlanmamış və bərabərdir.
• PCA həddən artıq uyğunlaşmanın qarşısını almaq üçün ölçüləri azaldır, ICA isə qarışıq siqnalı götürərək onu müstəqil mənbələrin siqnallarına çevirir.
• PCA dispersiyaları maksimuma çatdırmağa yönəlib, ICA isə dispersiyaya cəmləşmir .

Bu, PCA və ICA haqqında hərtərəfli videodur.

PCA VS ICA

Siz ICA-dan nə vaxt istifadə edə bilərsiniz?

ICA çox dəyişənlərdən ibarət geniş məlumat dəstini daha kiçik sayda öz-özünə təşkil edilmiş komponentlərə endirmək üsuludur.

Məlumat dəsti çox dəyişənlərdən ibarətdir, ona görə də Müstəqil Komponentlərin Təhlili (ICA) onları öz-özünə təşkil edilmiş funksional şəbəkələr kimi başa düşmək üçün daha kiçik ölçülərə endirmək üçün istifadə olunur. Siz fiziki olmayan siqnalları təhlil etmək üçün ICA-dan istifadə edə bilərsiniz.

Tətbiqlərinin az hissəsinə daxildir;

• Birja qiymətlərini proqnozlaşdırmaq
• Neyronların optik təsviri
• Üzün tanınması
• Astronomiya və kosmologiya
• Mobil telefon rabitəsi

Siz PCA-dan nə vaxt istifadə edə bilərsiniz?

PCA təsvirin sıxılması, sifətin tanınması və kompüter görmə sahələrində istifadə olunan ölçülərin kiçilməsi texnikasıdır.

Bu, istənilən ölçünün azaldılması üçün istifadə edilən ən kritik alqoritmlərdən biridir. məlumatları öz əsas məlumatlarını itirmədən. Siz onu nevrologiyadan tutmuş müxtəlif sahələrdə istifadə edə bilərsinizkəmiyyət maliyyəsi.

Bəzi tətbiqlərinə aşağıdakılar daxildir:

• Üzün tanınması
• Şəkilin sıxılması
• Spike ilə tetiklenen kovariasiya analizi (Neurosciences)
• Bioinformatika
• Məlumatların çıxarılması

PCA və ICA üsullarından istifadə edərək neyro analizi.

ICA Komponentləri Ortoqonaldırmı?

ICA komponentləri ortoqonal deyil; Həlli daha yüksək səviyyəli statistik göstəricilərə malik olan çevrilmələri dekorasiya edir.

PCA Komponentləri Müstəqildirmi?

PCA-nın bütün komponentləri statistik cəhətdən müstəqildir.

PCA komponentləri arasında üst-üstə düşən məlumat yoxdur. Onun komponentləri qarşılıqlı ortoqonaldır və ikinci dərəcəli statistikanı əhatə edir.

PCA xətti və ya qeyri-xəttidir?

PCA ortoqonal xətti transformasiyadır.

O, verilənləri yeni koordinat sisteminə çevirir ki, ən əhəmiyyətli dispersiya birinci koordinatda, ikinci ən böyük dispersiyada olsun. ikinci koordinatda və s.

Qeyri-xətti İCA nədir?

Qeyri-xətti ICA nəzarətsiz təqdimetmənin öyrənilməsinin əsas aspekti olan məlumatları yaradan gizli dəyişənləri bərpa etmək qabiliyyətinə diqqət yetirir.

Məlumatlar köməkçi dəyişənlərlə artırılır. , vaxt indeksi, zaman seriyasının tarixi və ya başqa hər hansı mövcud olan kimi.

Dəqiq artırılmış məlumatlar və verilənlər arasında fərq qoyaraq qeyri-xətti ICA-nı öyrənə bilərsiniz.təsadüfi köməkçi dəyişən. Logistik reqressiya vasitəsilə çərçivə alqoritmik şəkildə həyata keçirilə bilər.

Niyə ICA qeyri-qaussdur?

ICA-nın əsas elementi gizli faktorların qeyri-qauss olduğu qəbul edilməsidir.

ICA normallıqdan kənara çıxmağa əsaslandığı üçün iki Qauss faktorunu ayırmayacaq. . İki Qauss dəyişənini nəzərə alsaq, dairəvi birləşmə ehtimalı üçün vahid həll yoxdur.

Hansı daha yaxşıdır; ICA və ya PCA?

Hər ikisi öz perspektivi və istifadəsi baxımından daha yaxşıdır.

PCA datanızın aşağı səviyyəli təqdimatını tapmaq üçün, ICA isə müstəqil alt məlumat tapmaq üçün əhəmiyyətlidir. -məlumatlarınızın elementləri. Layman dili ilə desək, PCA məlumatları sıxır və ICA onu ayırır. Beləliklə, hər ikisi faydalıdır.

Yekun Fikirlər

ICA və PCA piton problemlərinin həllində istifadə olunan üsullardır – hər ikisi oxşar prinsiplər üzərində işləyir, lakin fərqli funksiyaları yerinə yetirir.

ICA məlumatlarınızın müstəqil alt elementlərini tapmağa kömək edir və onları ayırır. Üstəlik, ICA tapılan komponentlər arasında qarşılıqlı məlumatı minimuma endirir və sizə müstəqil olaraq yerləşdirilən komponentlər verir.

Lakin PCA məlumatları sıxır və sizə giriş siqnalının fərqini maksimum dərəcədə artıran ortoqonal komponentlərlə aşağı səviyyəli təqdimat əldə edir. əsas komponentləri ilə birlikdə.

Əlaqədar Məqalələr

Bu məqalənin veb hekayə versiyasını burada tapa bilərsiniz.