Matematika je lijepa i uzbudljiva nauka, ali morate ići korak po korak da biste shvatili njenu ljepotu. Ne možete ići do kraja odjednom. Da biste olakšali ovu tranziciju korak po korak, možete koristiti nekoliko formula i metoda.

PCA i ICA su dvije takve metode koje se koriste za podjelu skupa podataka na određenoj osnovi. Obje tehnike kombinuju izvore na linearan način kako bi dobili nove. Obje su prilično slične, ali vrlo različite jedna od druge.

Najpraktičnija razlika između obje tehnike je u tome što je PCA koristan za pronalaženje smanjenog ranga reprezentacije vaših podataka. ICA, s druge strane, služi za pronalaženje nezavisnih podelemenata vaših podataka.

Laički rečeno, PCA komprimira podatke, a ICA ih odvaja.

Ako želite saznati više o ovim tehnikama, pročitajte do kraja.

PCA i ICA tehnike se koriste u različitim procesima testiranja.

Šta je PCA?

PCA ili analiza glavnih komponenti je metoda redukcije koja se koristi za smanjenje dimenzija velikih skupova podataka mijenjajući ih u manje i zadržavajući sve potrebne informacije netaknute.

Kada smanjite veličinu skupa podataka, žrtvujete tačnost, ali smanjenje dimenzionalnosti je žrtvovanje tačnosti radi jednostavnosti.

Možete lakše istraživati ​​i vizualizirati manje skupove podataka, a algoritmi mašinskog učenja mogu analizirati podatke pristupačnije i brže jerima manje varijabli.

Da rezimiramo, PCA ima za cilj smanjenje broja varijabli u skupu podataka uz očuvanje što više informacija.

Šta je ICA?

Analiza nezavisnih komponenti (ICA) je statistička tehnika koja otkriva skrivene faktore iza skupova slučajnih varijabli, mjerenja i signala.

Analiza neovisnih komponenti (ICA) uzima mješoviti signal i razdvaja ga u nezavisne izvore. To također možete nazvati problemom koktel zabave ili problemom slijepog odvajanja izvora.

Kada ste na koktelu, svi pričaju o različitim stvarima, ali vaš mozak i uši i dalje uspijevaju locirati i identificirati jedan glas koji želite čuti.

Slično, ICA radi na razdvajanju svakog signala iz mješavine signala u nezavisnu poruku.

Razlika između ICA i PCA

Ovdje je lista razlika između PCA i PCA ICA za vas.

• ICA je dobra za pronalaženje nezavisnih podelemenata vaših podataka, dok vam PCA daje reprezentaciju smanjenog ranga.
• PCA komprimira podatke, dok ih ICA odvaja.
• U PCA, komponente su ortogonalne; u ICA, možda i nisu. U ICA, tražite nezavisno postavljene komponente.
• Dok PCA maksimizira varijansu ulaznog signala i glavnih komponenti, ICA minimizira međusobne informacije među pronađenim komponentama.
• PCArangira karakteristike od najznačajnijih do najmanje značajnih. Međutim, u ICA, komponente su u suštini neuređene i jednake.
• PCA smanjuje dimenzije kako bi spriječio prekomjerno uklapanje, dok ICA uzima mješoviti signal i pretvara ga u signale svojih nezavisnih izvora.
• PCA je fokusiran na maksimiziranje varijansi, dok ICA nije koncentrisan na varijansu .

Ovo je sveobuhvatan video o PCA i ICA.

PCA VS ICA

Kada možete koristiti ICA?

ICA je način da se obimni skup podataka od mnogih varijabli reducira na manji broj samoorganiziranih komponenti.

Skup podataka sastoji se od mnogo varijabli, tako da Nezavisno Analiza komponenti (ICA) se koristi za njihovo smanjenje u manje dimenzije da bi se shvatile kao samoorganizirane funkcionalne mreže. Možete koristiti ICA za analizu nefizičkih signala.

Nekoliko od njegovih aplikacija uključuje;

• Predviđanje cijena na berzi
• Optičko snimanje neurona
• Prepoznavanje lica
• Astronomija i kosmologija
• Komunikacija putem mobilnog telefona

Kada možete koristiti PCA?

PCA je tehnika smanjenja dimenzija koja se koristi u domeni kompresije slike, prepoznavanja lica i kompjuterskog vida.

To je jedan od najkritičnijih algoritama koji se koriste za smanjenje dimenzionalnosti svih podataka bez gubljenja bitnih sitnica. Možete ga koristiti u različitim poljima, od neuroznanosti dokvantitativno finansiranje.

Neke od njegovih primjena uključuju;

• Prepoznavanje lica
• Kompresiju slike
• Spajkom pokrenutu kovarijantnu analizu (neuronauke)
• Bioinformatika
• Izvlačenje podataka

Neuro analiza korištenjem PCA i ICA tehnika.

Da li su ICA komponente ortogonalne?

ICA komponente su neortogonalne; dekorelirajuće transformacije čije rješenje ima statistiku višeg reda.

Jesu li PCA komponente nezavisne?

Sve komponente PCA su statistički nezavisne.

PCA komponente nemaju nikakve informacije o preklapanju između sebe. Njegove komponente su međusobno ortogonalne i uključuju statistiku drugog reda.

Je li PCA linearan ili nelinearan?

PCA je ortogonalna linearna transformacija.

Transformiše podatke u novi koordinatni sistem tako da najznačajnija varijansa leži na prvoj koordinati, a druga najveća varijansa na drugoj koordinati, i tako dalje.

Šta je nelinearna ICA?

Nelinearni ICA fokusira se na sposobnost povratka latentnih varijabli koje generiraju podatke, što je fundamentalni aspekt nenadziranog učenja o predstavljanju.

Podaci su prošireni pomoćnim varijablama , kao što je vremenski indeks, istorija vremenske serije ili bilo šta drugo dostupno.

Možete naučiti nelinearni ICA diskriminirajući između tačnih proširenih podataka i podataka pomoćurandomizirana pomoćna varijabla. Kroz logističku regresiju, okvir se može implementirati algoritamski.

Zašto je ICA ne-Gausov?

Ključni element ICA je da se pretpostavlja da latentni faktori nisu Gausovi.

ICA neće odvojiti dva Gausova faktora jer se zasniva na odstupanju od normalnosti . S obzirom na dvije Gaussove varijable, ne postoji jedinstveno rješenje za vjerovatnoću kružnog zgloba.

Koje je bolje; ICA ili PCA?

Obojica su bolja u svojoj perspektivi i upotrebi.

PCA je značajan za pronalaženje niže rangirane reprezentacije vaših podataka, a ICA za pronalaženje neovisnih sub -elemente vaših podataka. Laički rečeno, PCA komprimira podatke, a ICA ih odvaja. Dakle, oba su korisna.

Završne misli

ICA i PCA su tehnike koje se koriste u rješavanju python problema – obje rade na sličnim principima, ali obavljaju različite funkcije.

ICA pomaže u pronalaženju nezavisnih podelemenata vaših podataka i razdvaja ih. Štaviše, ICA minimizira međusobne informacije između pronađenih komponenti i daje vam nezavisno postavljene komponente.

Međutim, PCA komprimira podatke i daje vam reprezentaciju smanjenog ranga s ortogonalnim komponentama, što maksimizira varijansu ulaznog signala zajedno sa glavnim komponentama.

Povezani članci

Verzija web priče ovog članka može se pronaći ovdje.