Matematika je lijepa i uzbudljiva znanost, ali morate ići korak po korak da biste shvatili njenu ljepotu. Ne možete ići do kraja odjednom. Kako biste olakšali ovaj postupni prijelaz, možete koristiti nekoliko formula i metoda.

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

Najpraktičnija razlika između obje tehnike je ta što je PCA korisna za pronalaženje prikaza vaših podataka u smanjenom rangu. ICA, s druge strane, služi za pronalaženje neovisnih podelemenata vaših podataka.

Laički rečeno, PCA sažima podatke, a ICA ih razdvaja.

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

PCA i ICA tehnike koriste se u različitim procesima testiranja.

Što je PCA?

PCA ili analiza glavnih komponenti metoda je redukcije koja se koristi za smanjenje dimenzija velikih skupova podataka njihovim mijenjanjem u manje i zadržavanjem svih potrebnih informacija netaknutima.

Kada smanjite veličinu skupa podataka, žrtvujete točnost, ali smanjenje dimenzionalnosti je sve o žrtvovanju točnosti radi jednostavnosti.

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

Ukratko, PCA ima za cilj smanjiti broj varijabli u skupu podataka uz očuvanje što je više moguće informacija.

Što je ICA?

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

Analiza neovisnih komponenti (ICA) uzima miješani signal i razdvaja ga u neovisne izvore. Možete ga nazvati i problemom koktel zabave ili problemom slijepog odvajanja izvora.

Kad ste na koktel zabavi, svi pričaju o različitim stvarima, ali vaš mozak i uši ipak uspijevaju locirati i identificirati jedan glas koji želite čuti.

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

Razlika između ICA i PCA

Ovdje je popis razlika između PCA i ICA za vas.

• ICA je dobra za pronalaženje neovisnih podelemenata vaših podataka, dok vam PCA daje prikaz smanjenog ranga.
• PCA sažima podatke, dok ih ICA razdvaja.
• U PCA komponente su ortogonalne; u ICA-i možda i nisu. U ICA-i tražite neovisno postavljene komponente.
• Dok PCA maksimizira varijancu ulaznog signala i glavnih komponenti, ICA minimizira uzajamne informacije među pronađenim komponentama.
• PCArangira značajke od najznačajnijih do najmanje značajnih. Međutim, u ICA-i komponente su u biti nesređene i jednake.
• PCA smanjuje dimenzije kako bi spriječio prekomjerno opremanje, dok ICA uzima mješoviti signal i pretvara ga u signale svojih neovisnih izvora.
• PCA je usmjeren na maksimiziranje varijanci, dok ICA nije koncentriran na varijance .

Ovdje je iscrpan video o PCA i ICA.

PCA VS ICA

Kada možete koristiti ICA?

ICA je način smanjivanja opsežnog skupa podataka od mnogih varijabli u manji broj samoorganiziranih komponenti.

Skup podataka sastoji se od mnogo varijabli, tako da je neovisno Analiza komponenti (ICA) koristi se za njihovu redukciju na manje dimenzije koje se mogu shvatiti kao samoorganizirane funkcionalne mreže. Možete koristiti ICA za analizu nefizičkih signala.

Malo njegovih primjena uključuje:

• Predviđanje cijena na burzi
• Optičko oslikavanje neurona
• Prepoznavanje lica
• Astronomija i kozmologija
• Mobilne telefonske komunikacije

Kada možete koristiti PCA?

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

To je jedan od najkritičnijih algoritama koji se koristi za smanjenje dimenzija bilo kojeg podatke bez gubitka bitnih sitnica. Možete ga koristiti u raznim područjima, od neuroznanosti dokvantitativne financije.

Neke od njegovih primjena uključuju:

• Prepoznavanje lica
• Kompresiju slike
• Spike triggered kovarijantnu analizu (neuroznanosti)
• Bioinformatika
• Iskopavanje podataka

Neuro analiza korištenjem PCA i ICA tehnika.

Jesu li ICA komponente ortogonalne?

ICA komponente nisu ortogonalne; dekorelacijske transformacije čije rješenje ima statistiku višeg reda.

Jesu li PCA komponente neovisne?

Sve komponente PCA su statistički neovisne.

Komponente PCA nemaju preklapajuće informacije među sobom. Njegove komponente su međusobno ortogonalne i uključuju statistiku drugog reda.

Je li PCA linearan ili nelinearan?

PCA je ortogonalna linearna transformacija.

Transformira podatke u novi koordinatni sustav tako da najznačajnija varijanca leži na prvoj koordinati, druga najveća varijanca na drugoj koordinati, i tako dalje.

Što je nelinearni ICA?

Nelinearni ICA fokusiran je na sposobnost oporavka latentnih varijabli koje generiraju podatke, što je temeljni aspekt nenadziranog učenja predstavljanja.

Podaci se povećavaju pomoćnim varijablama , kao što je vremenski indeks, povijest vremenske serije ili bilo što drugo što je dostupno.

Možete naučiti nelinearni ICA razlikovanjem točnih proširenih podataka od podataka srandomizirana pomoćna varijabla. Pomoću logističke regresije okvir se može implementirati algoritamski.

Zašto ICA nije Gaussov?

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

ICA neće razdvojiti dva Gaussova faktora jer se temelji na odstupanju od normalnosti . S obzirom na dvije Gaussove varijable, ne postoji jedinstveno rješenje za vjerojatnost kružnog spoja.

Koje je bolje; ICA ili PCA?

Oba su bolja u svojoj perspektivi i upotrebi.

PCA je značajan za pronalaženje smanjenog ranga predstavljanja vaših podataka, a ICA za pronalaženje neovisnih pod -elementi vaših podataka. Laički rečeno, PCA sažima podatke, a ICA ih razdvaja. Dakle, obje su korisne.

Završne misli

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

ICA pomaže u pronalaženju nezavisnih podelemenata vaših podataka i razdvaja ih. Štoviše, ICA minimizira uzajamne informacije među pronađenim komponentama i daje vam neovisno postavljene komponente.

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

Povezani članci

Verzija ovog članka s web pričom može se pronaći ovdje.