Stærðfræði er falleg og spennandi vísindi, en þú þarft að fara skref fyrir skref til að átta þig á fegurð hennar. Þú getur ekki farið alla leið í einu. Til að auðvelda þessa skref-fyrir-skref umskipti geturðu notað nokkrar formúlur og aðferðir.

PCA og ICA eru tvær slíkar aðferðir sem notaðar eru til að skipta gagnasafni á sérstakan grundvöll. Báðar aðferðir sameina heimildir á línulegan hátt til að fá nýjar. Þeir eru báðir nokkuð líkir en þó mjög ólíkir hvor öðrum.

Hagnýti munurinn á báðum aðferðum er sá að PCA er gagnlegt til að finna framsetningu gagna í minni röð. ICA er aftur á móti til að finna sjálfstæða undirþætti gagna þinna.

Í leikmannaskilmálum þjappar PCA saman gögnum og ICA aðskilur þau.

Ef þú vilt vita meira um þessar aðferðir skaltu lesa til loka.

PCA og ICA tækni eru notuð í ýmsum prófunarferlum.

Hvað er PCA?

PCA eða Principal Component Analysis er minnkunaraðferð sem notuð er til að minnka stærð stóru gagnasettanna með því að breyta þeim í smærri og halda öllum nauðsynlegum upplýsingum óskertum.

Þegar þú minnkar stærð gagnasetts ertu að fórna nákvæmni, en víddarminnkun snýst allt um að fórna nákvæmni fyrir einfaldleikann.

Þú getur kannað og séð smærri gagnasöfn auðveldara og vélrænni reiknirit geta greint gögn aðgengilegri og hraðari vegnaþað eru færri breytur.

Til að draga saman þá miðar PCA að því að fækka breytum í gagnamengi en varðveita eins miklar upplýsingar og mögulegt er.

Hvað er ICA?

Independent Component Analysis (ICA) er tölfræðileg tækni sem afhjúpar falda þætti á bak við slembibreytur, mælingar og merki.

The Independent Component Analysis. (ICA) tekur blandað merki og aðskilur það í sjálfstæðar heimildir. Þú getur líka kallað það kokteilveisluvandamál eða vandamál aðskilnaðar frá upptökum.

Þegar þú ert í kokteilboði eru allir að tala um mismunandi hluti, en heilinn og eyrun ná samt að finna og bera kennsl á eina rödd sem þú vilt heyra.

Á sama hátt vinnur ICA að því að aðgreina hvert merki frá blöndu af merkjum í sjálfstæð skilaboð.

Mismunur á ICA og PCA

Hér er listi yfir muninn á PCA og PCA. ICA fyrir þig.

• ICA er gott til að finna sjálfstæða undirþætti gagna þinna, á meðan PCA gefur þér minni stöðu.
• PCA þjappar gögnum saman en ICA aðskilur þau.
• Í PCA eru íhlutir hornréttir; í ICA eru þeir kannski ekki. Í ICA ertu að leita að sjálfstætt settum íhlutum.
• Þó að PCA hámarki dreifni inntaksmerkis og aðalhluta, lágmarkar ICA gagnkvæmar upplýsingar meðal íhluta sem finnast.
• PCAraðar eiginleikum frá mikilvægustu til minnstu. Hins vegar, í ICA, eru íhlutir í meginatriðum óraðaðir og jafnir.
• PCA minnkar stærðirnar til að koma í veg fyrir offitun, á meðan ICA tekur blandaða merkið og breytir því í merki óháðra heimilda.
• PCA einbeitir sér að því að hámarka frávikin, en ICA er ekki einbeitt að dreifni .

Hér er ítarlegt myndband um PCA og ICA.

PCA VS ICA

Hvenær er hægt að nota ICA?

ICA er leið til að minnka umfangsmikið gagnasett af mörgum breytum í minni fjölda sjálfskipaðra íhluta.

Gagnamengi samanstendur af mörgum breytum, svo óháð Íhlutagreining (ICA) er notuð til að minnka þá í smærri víddir til að skilja þau sem sjálfskipulögð starfræn net. Þú getur notað ICA til að greina ólíkamleg merki.

Fáar af forritum þess innihalda;

• Spá fyrir verð á hlutabréfamarkaði
• Sjónmynd af taugafrumum
• Andlitsþekking
• Stjörnufræði og heimsfræði
• Fjarskipti í farsímum

Hvenær er hægt að nota PCA?

PCA er víddarminnkunartækni sem notuð er við myndþjöppun, andlitsgreiningu og tölvusjón.

Þetta er eitt mikilvægasta reikniritið sem notað er til að minnka vídd hvers kyns. gögn án þess að tapa nauðsynlegum fróðleik. Þú getur notað það á ýmsum sviðum, allt frá taugavísindum tilmagnfjármögnun.

Sumar af forritum þess eru ma;

• Andlitsþekking
• Myndþjöppun
• Spike triggered covariance analysis (Taugavísindi)
• Lífupplýsingafræði
• Gagnanám

Taugagreining með PCA og ICA tækni.

Eru ICA Components Orthogonal?

ICA íhlutir eru ekki hornréttir; skreytandi umbreytingar þar sem lausnin hefur hærri röð tölfræði.

Eru PCA Components óháðir?

Allir þættir PCA eru tölfræðilega óháðir.

PCA íhlutirnir hafa engar upplýsingar sem skarast á milli þeirra. Íhlutir þess eru gagnkvæmir hornréttir og fela í sér annars stigs tölfræði.

Er PCA línulegt eða ólínulegt?

PCA er hornrétt línuleg umbreyting.

Það umbreytir gögnunum í nýtt hnitakerfi þannig að marktækasta dreifingin liggur á fyrsta hnitinu, næststærsta dreifingunni á öðru hnitinu og svo framvegis.

What Is Non-linear ICA?

Non-linear ICA einbeitir sér að getu til að endurheimta duldar breytur sem búa til gögnin, sem er grundvallarþáttur í eftirlitslausu framsetningarnámi.

Gögnum er aukið með aukabreytum , eins og tímavísitalan, saga tímaraðanna eða hvað annað sem er í boði.

Þú getur lært ólínulega ICA með því að gera greinarmun á nákvæmum auknum gögnum og gögnum meðslembiröðuð hjálparbreyta. Með logistic regression er hægt að útfæra rammann með reiknirit.

Hvers vegna er ICA ekki Gaussískt?

Lykilatriði í ICA er að gert er ráð fyrir að duldir þættir séu ekki Gaussískir.

ICA mun ekki aðgreina tvo Gaussþætti þar sem það er byggt á fráviki frá eðlilegu . Miðað við tvær Gaussbreytur er engin ein lausn fyrir hringliðalíkur.

Hvor er betri; ICA eða PCA?

Báðir eru betri í sjónarhorni sínu og notkun.

PCA er mikilvægur til að finna minni framsetningu á gögnum þínum og ICA til að finna óháðan undir -þættir gagna þinna. Í skilmálum leikmanna þjappar PCA gögnum saman og ICA aðskilur þau. Þannig að báðar eru gagnlegar.

Lokahugsanir

ICA og PCA eru aðferðir sem notaðar eru til að leysa python vandamál - báðar vinna á svipuðum meginreglum en framkvæma mismunandi aðgerðir.

ICA hjálpar við að finna sjálfstæða undirþætti gagna þinna og aðskilur þá. Ennfremur lágmarkar ICA gagnkvæmar upplýsingar meðal íhluta sem finnast og gefur þér íhlutum sem eru sjálfstætt settir.

Hins vegar þjappar PCA gögnum saman og fær þér framsetningu með hornréttum hlutum, sem hámarkar dreifni inntaksmerkisins. ásamt meginþáttum.

Tengdar greinar

Vefsöguútgáfu þessarar greinar má finna hér.