Matematiikka on kaunis ja jännittävä tiede, mutta sen kauneuden hahmottaminen edellyttää askel askeleelta etenemistä. Et voi mennä koko matkaa kerralla. Voit helpottaa tätä askel askeleelta etenemistä käyttämällä useita kaavoja ja menetelmiä.

PCA ja ICA ovat kaksi tällaista menetelmää, joita käytetään aineiston jakamiseen tietyin perustein. Molemmat tekniikat yhdistävät lähteitä lineaarisella tavalla saadakseen uusia lähteitä. Molemmat ovat melko samankaltaisia, mutta kuitenkin hyvin erilaisia keskenään.

Käytännön ero näiden kahden tekniikan välillä on se, että PCA on hyödyllinen, kun etsitään datan pienennettyä esitystä, kun taas ICA:lla etsitään datan riippumattomia osaelementtejä.

Maallikon kielellä PCA pakkaa dataa ja ICA erottaa sitä.

Jos haluat tietää lisää näistä tekniikoista, lue loppuun asti.

PCA- ja ICA-tekniikoita käytetään erilaisissa testausprosesseissa.

Mikä on PCA?

PCA eli pääkomponenttianalyysi on pelkistysmenetelmä, jota käytetään suurten tietokokonaisuuksien ulottuvuuksien pienentämiseen muuttamalla ne pienemmiksi ja säilyttämällä kaikki tarvittava tieto ennallaan.

Kun pienennät datajoukon kokoa, menetät tarkkuutta, mutta dimensioiden pienentämisessä on kyse tarkkuuden uhraamisesta yksinkertaisuuden hyväksi.

Voit tutkia ja visualisoida pienempiä tietokokonaisuuksia helpommin, ja koneoppimisalgoritmit voivat analysoida tietoja helpommin ja nopeammin, koska muuttujia on vähemmän.

Yhteenvetona voidaan todeta, että PCA:lla pyritään vähentämään muuttujien määrää tietokokonaisuudessa säilyttäen samalla mahdollisimman paljon tietoa.

Mikä on ICA?

Riippumaton komponenttianalyysi (ICA) on tilastollinen tekniikka, joka paljastaa satunnaismuuttujien, mittausten ja signaalien joukosta piilotettuja tekijöitä.

Riippumaton komponenttianalyysi (ICA) ottaa sekasignaalin ja erottaa sen itsenäisiin lähteisiin. Sitä voidaan kutsua myös cocktailparty-ongelmaksi tai sokeaksi lähteiden erotteluongelmaksi.

Kun olet cocktailtilaisuudessa, kaikki puhuvat eri asioista, mutta aivosi ja korvasi onnistuvat silti paikallistamaan ja tunnistamaan yhden äänen, jonka haluat kuulla.

Vastaavasti ICA pyrkii erottamaan jokaisen signaalin signaalien seoksesta itsenäiseksi viestiksi.

ICA:n ja PCA:n välinen ero

Tässä on luettelo PCA:n ja ICA:n eroista.

• ICA on hyvä keino löytää aineistostasi riippumattomia osaelementtejä, kun taas PCA:lla saat vähennetyn sijan esityksen.
• PCA pakkaa tietoja, kun taas ICA erottaa ne toisistaan.
• PCA:ssa komponentit ovat ortogonaalisia, ICA:ssa ne eivät välttämättä ole. ICA:ssa etsitään toisistaan riippumattomia komponentteja.
• PCA maksimoi tulosignaalin ja pääkomponenttien varianssin, kun taas ICA minimoi löydettyjen komponenttien keskinäisen informaation.
• PCA:ssa ominaisuudet järjestetään merkittävimmästä merkittävimpään. ICA:ssa komponentit ovat kuitenkin periaatteessa järjestämättömiä ja tasavertaisia.
• PCA pienentää ulottuvuuksia ylisovittamisen estämiseksi, kun taas ICA ottaa sekasignaalin ja muuttaa sen itsenäisiksi lähdesignaaleiksi.
• PCA keskittyy varianssien maksimointiin, kun taas ICA ei keskity variansseihin. .

Tässä on kattava video PCA:sta ja ICA:sta.

PCA VS ICA

Milloin voit käyttää ICA:ta?

ICA on keino pienentää monista muuttujista koostuvaa laajaa tietoaineistoa pienemmäksi määräksi itseorganisoituvia komponentteja.

Tietoaineisto koostuu monista muuttujista, joten riippumattomien komponenttien analyysia (ICA) käytetään niiden pienentämiseen pienempiin ulottuvuuksiin, jotta ne voidaan ymmärtää itseorganisoituneina funktionaalisina verkostoina. ICA:n avulla voit analysoida muita kuin fysikaalisia signaaleja.

Muutamia sen sovelluksia ovat;

• Pörssikurssien ennustaminen
• Neuronien optinen kuvantaminen
• Kasvontunnistus
• Tähtitiede ja kosmologia
• Matkapuhelinliikenne

Milloin voit käyttää PCA:ta?

PCA on dimensioiden pienentämistekniikka, jota käytetään kuvien pakkauksessa, kasvojentunnistuksessa ja tietokonenäön alalla.

Se on yksi kriittisimmistä algoritmeista, joita käytetään minkä tahansa datan ulottuvuuden vähentämiseen menettämättä sen olennaisia yksityiskohtia. Sitä voi käyttää eri aloilla neurotieteistä kvantitatiiviseen rahoitukseen.

Joitakin sen käyttökohteita ovat muun muassa;

• Kasvontunnistus
• Kuvan pakkaaminen
• Piikin käynnistämä kovarianssianalyysi (Neurotieteet)
• Bioinformatiikka
• Tiedonlouhinta

Neuroanalyysi PCA- ja ICA-tekniikoiden avulla.

Ovatko ICA-komponentit ortogonaalisia?

ICA-komponentit ovat ei-ortogonaalisia; dekorreloivia muunnoksia, joiden ratkaisulla on korkeamman asteen tilastoja.

Ovatko PCA-komponentit riippumattomia?

Kaikki PCA:n komponentit ovat tilastollisesti riippumattomia.

PCA:n komponenttien välillä ei ole päällekkäistä tietoa, vaan ne ovat keskenään ortogonaalisia ja sisältävät toisen asteen tilastoja.

Onko PCA lineaarinen vai epälineaarinen?

PCA on ortogonaalinen lineaarinen muunnos.

Se muuntaa tiedot uuteen koordinaattijärjestelmään siten, että merkittävin poikkeama sijaitsee ensimmäisessä koordinaatistossa, toiseksi suurin poikkeama toisessa koordinaatistossa ja niin edelleen.

Mikä on ei-lineaarinen ICA?

Ei-lineaarisessa ICA:ssa keskitytään kykyyn palauttaa datan tuottavat latentit muuttujat, mikä on olennainen osa valvomatonta esitysten oppimista.

Tietoja täydennetään lisämuuttujilla, kuten aikaindeksillä, aikasarjan historialla tai muilla saatavilla olevilla muuttujilla.

Voit oppia epälineaarisen ICA:n erottelemalla tarkat lisätyt tiedot ja tiedot, joissa on satunnaistettu apumuuttuja. Logistisen regression avulla kehys voidaan toteuttaa algoritmisesti.

Miksi ICA ei ole gaussinen?

ICA:n keskeinen tekijä on se, että latenttien tekijöiden oletetaan olevan ei-gaussisia.

ICA ei erota kahta gaussilaista tekijää toisistaan, koska se perustuu poikkeamaan normaalisuudesta. Kun on kaksi gaussilaista muuttujaa, ei ole olemassa yhtä ratkaisua ympyränmuotoiselle yhteiselle todennäköisyydelle.

Kumpi on parempi; ICA vai PCA?

Molemmat ovat parempia näkökulmiltaan ja käyttötavoiltaan.

PCA:lla on merkitystä, kun etsitään pienennettyä esitystä datasta, ja ICA:lla, kun etsitään datan riippumattomia osaelementtejä. Maallikon kielellä PCA tiivistää dataa ja ICA erottaa sitä. Molemmat ovat siis hyödyllisiä.

Lopulliset ajatukset

ICA ja PCA ovat tekniikoita, joita käytetään python-ongelmien ratkaisemisessa - molemmat toimivat samankaltaisilla periaatteilla, mutta niillä on eri tehtävät.

ICA auttaa löytämään ja erottelemaan datan itsenäiset osaelementit. Lisäksi ICA minimoi löydettyjen komponenttien keskinäisen informaation ja antaa itsenäisesti sijoitetut komponentit.

PCA kuitenkin pakkaa dataa ja saa aikaan ortogonaalisia komponentteja sisältävän esityksen, joka maksimoi tulosignaalin varianssin yhdessä pääkomponenttien kanssa.

Aiheeseen liittyvät artikkelit

Tämän artikkelin verkkoversio löytyy täältä.