Математиката е красива и вълнуваща наука, но за да схванете красотата ѝ, трябва да вървите стъпка по стъпка. Не можете да преминете целия път наведнъж. За да улесните този преход стъпка по стъпка, можете да използвате няколко формули и методи.

PCA и ICA са два такива метода, които се използват за разделяне на набор от данни на определена основа. И двете техники комбинират източниците по линеен начин, за да получат нови. И двете са доста сходни, но много различни една от друга.

Най-практическата разлика между двете техники е, че PCA е полезна за намиране на редуцирано представяне на данните. ICA, от друга страна, е за намиране на независими поделементи на данните.

Казано на разбираем език, PCA компресира данните, а ICA ги разделя.

Ако искате да научите повече за тези техники, прочетете до края.

Техниките PCA и ICA се използват в различни процеси на тестване.

Какво е PCA?

PCA или анализът на главните компоненти е метод за редуциране, който се използва за намаляване на размерите на големите масиви от данни, като ги превръща в по-малки и запазва цялата необходима информация.

Когато намалявате размера на набора от данни, жертвате точността, но намаляването на размерността е свързано с жертване на точността в полза на простотата.

Можете по-лесно да изследвате и визуализирате по-малки набори от данни, а алгоритмите за машинно обучение могат да анализират данните по-достъпно и по-бързо, тъй като има по-малко променливи.

Накратко, PCA има за цел да намали броя на променливите в даден набор от данни, като същевременно запази възможно най-много информация.

Какво представлява ICA?

Независимият компонентен анализ (ICA) е статистическа техника, която разкрива скрити фактори зад набори от случайни променливи, измервания и сигнали.

Анализът на независимите компоненти (ICA) взема смесен сигнал и го разделя на независими източници. Можете да го наречете и проблем на коктейла или проблем на сляпото разделяне на източниците.

Когато сте на коктейл, всички говорят за различни неща, но мозъкът и ушите ви все пак успяват да открият и идентифицират един-единствен глас, който искате да чуете.

По подобен начин ICA работи за отделяне на всеки сигнал от смес от сигнали в независимо съобщение.

Разлика между ICA и PCA

Предлагаме ви списък с разликите между PCA и ICA.

• ICA е подходящ за намиране на независими поделементи на данните, докато PCA ви дава представяне с намален ранг.
• PCA компресира данните, докато ICA ги разделя.
• При PCA компонентите са ортогонални, а при ICA те може да не са. При ICA търсите независимо разположени компоненти.
• Докато PCA максимизира дисперсията на входния сигнал и главните компоненти, ICA минимизира взаимната информация между намерените компоненти.
• PCA подрежда характеристиките от най-значимите към най-малко значимите. При ICA обаче компонентите са по същество без подредба и равни.
• PCA намалява размерите, за да предотврати прекомерното приспособяване, докато ICA взема смесения сигнал и го превръща в сигнали на независими източници.
• PCA се фокусира върху максимизирането на дисперсиите, докато ICA не се концентрира върху дисперсиите. .

Ето един подробен видеоклип за PCA и ICA.

PCA VS ICA

Кога можете да използвате ICA?

ICA е начин за намаляване на обширен набор от данни с много променливи на по-малък брой самоорганизирани компоненти.

Наборът от данни се състои от много променливи, така че анализът на независимите компоненти (ICA) се използва за намаляването им до по-малки измерения, за да бъдат разбрани като самоорганизирани функционални мрежи. Можете да използвате ICA за анализ на нефизически сигнали.

Някои от приложенията му включват;

• Прогнозиране на цените на фондовия пазар
• Оптични изображения на неврони
• Разпознаване на лица
• Астрономия и космология
• Мобилни телефонни комуникации

Кога можете да използвате PCA?

PCA е техника за намаляване на размерите, която се използва в областта на компресирането на изображения, разпознаването на лица и компютърното зрение.

Това е един от най-критичните алгоритми, използвани за намаляване на размерността на всякакви данни, без да се губят основните им части. Можете да го използвате в различни области - от невронауките до количествените финанси.

Някои от приложенията му включват;

• Разпознаване на лица
• Компресия на изображения
• Ковариационен анализ, предизвикан от шипове (Невронауки)
• Биоинформатика
• Извличане на данни

Невроанализ с помощта на техники PCA и ICA.

Ортогонални ли са компонентите на ICA?

Компонентите на ICA са неортогонални; декоративни трансформации, чието решение има статистически данни от по-висок порядък.

Независими ли са компонентите на PCA?

Всички компоненти на PCA са статистически независими.

Компонентите на PCA нямат припокриваща се информация помежду си. Компонентите му са взаимно ортогонални и включват статистически данни от втори ред.

Линеен или нелинеен е PCA?

PCA е ортогонална линейна трансформация.

Тя трансформира данните в нова координатна система, така че най-значителната дисперсия да се намира на първата координата, втората по големина дисперсия - на втората координата и т.н.

Какво представлява нелинейният ICA?

Нелинейната ICA се фокусира върху способността за възстановяване на латентните променливи, които генерират данните, което е основен аспект на неконтролираното изучаване на представянето.

Данните се допълват със спомагателни променливи, като например времеви индекс, история на динамичните редове или каквото друго е налично.

Можете да научите нелинейна ICA, като различавате точните увеличени данни от данните със случайна спомагателна променлива. Чрез логистична регресия рамката може да бъде реализирана алгоритмично.

Защо ICA е негаусов?

Ключов елемент на ICA е, че се приема, че латентните фактори не са Гаусови.

ICA няма да раздели два Гаусови фактора, тъй като се основава на отклонение от нормалността. При две Гаусови променливи няма едно решение за кръгова съвместна вероятност.

Кое е по-добро; ICA или PCA?

И двете са по-добри в своята перспектива и употреба.

PCA е от значение за намиране на редуцирано представяне на данните, а ICA - за намиране на независими поделементи на данните. Казано на лаически език, PCA компресира данните, а ICA ги разделя. Така че и двете са полезни.

Заключителни мисли

ICA и PCA са техники, използвани за решаване на проблеми в питон - и двете работят на сходни принципи, но изпълняват различни функции.

ICA помага за намирането на независими поделементи на вашите данни и ги разделя. Освен това ICA минимизира взаимната информация между намерените компоненти и ви дава независимо разположени компоненти.

При PCA обаче данните се компресират и се получава редуцирано представяне с ортогонални компоненти, което максимизира дисперсията на входния сигнал заедно с главните компоненти.

Свързани статии

Уеб версията на тази статия можете да намерите тук.