គណិតវិទ្យា​ជា​វិទ្យាសាស្ត្រ​ដ៏​ស្រស់​ស្អាត និង​គួរ​ឱ្យ​រំភើប ប៉ុន្តែ​អ្នក​ត្រូវ​ទៅ​មួយ​ជំហាន ដើម្បី​ចាប់​យក​ភាព​ស្រស់​ស្អាត​របស់​វា។ អ្នកមិនអាចទៅគ្រប់វិធីក្នុងពេលតែមួយបានទេ។ ដើម្បីសម្រួលការផ្លាស់ប្តូរមួយជំហានម្តងមួយជំហាននេះ អ្នកអាចប្រើរូបមន្ត និងវិធីសាស្រ្តជាច្រើន។

PCA និង ICA គឺជាវិធីសាស្រ្តពីរដែលប្រើដើម្បីបែងចែកសំណុំទិន្នន័យនៅលើមូលដ្ឋានជាក់លាក់មួយ។ បច្ចេកទេសទាំងពីររួមបញ្ចូលគ្នានូវប្រភពក្នុងវិធីលីនេអ៊ែរ ដើម្បីទទួលបានប្រភពថ្មី។ ពួកវាទាំងពីរមានលក្ខណៈស្រដៀងគ្នា ប៉ុន្តែខុសគ្នាខ្លាំងពីគ្នាទៅវិញទៅមក។

ភាពខុសគ្នាជាក់ស្តែងបំផុតរវាងបច្ចេកទេសទាំងពីរគឺថា PCA មានប្រយោជន៍សម្រាប់ការស្វែងរកតំណាងដែលកាត់បន្ថយចំណាត់ថ្នាក់នៃទិន្នន័យរបស់អ្នក។ ម្យ៉ាងវិញទៀត ICA គឺសម្រាប់ការស្វែងរកធាតុរងឯករាជ្យនៃទិន្នន័យរបស់អ្នក។

តាមលក្ខខណ្ឌរបស់ layman PCA បង្រួមទិន្នន័យ ហើយ ICA បំបែកវា។

ប្រសិនបើអ្នកចង់ស្វែងយល់បន្ថែមអំពីបច្ចេកទេសទាំងនេះ សូមអានរហូតដល់ចប់។

បច្ចេកទេស PCA និង ICA ត្រូវបានប្រើប្រាស់ក្នុងដំណើរការធ្វើតេស្តផ្សេងៗ។

តើ PCA ជាអ្វី?

PCA ឬការវិភាគសមាសភាគសំខាន់គឺជាវិធីសាស្ត្រកាត់បន្ថយដែលប្រើដើម្បីកាត់បន្ថយទំហំនៃសំណុំទិន្នន័យធំ ដោយផ្លាស់ប្តូរពួកវាទៅជាតូចជាងមុន និងរក្សាព័ត៌មានចាំបាច់ទាំងអស់ឱ្យនៅដដែល។

នៅពេលអ្នកកាត់បន្ថយទំហំនៃសំណុំទិន្នន័យ អ្នកកំពុងលះបង់ភាពត្រឹមត្រូវ ប៉ុន្តែការកាត់បន្ថយវិមាត្រគឺនិយាយអំពីការលះបង់ភាពត្រឹមត្រូវសម្រាប់ភាពសាមញ្ញ។

អ្នកអាចរុករក និងមើលឃើញសំណុំទិន្នន័យតូចៗកាន់តែងាយស្រួល ហើយក្បួនដោះស្រាយការរៀនម៉ាស៊ីនអាចវិភាគទិន្នន័យបានកាន់តែងាយស្រួល និងលឿនជាងមុន ដោយសារមានអថេរតិចជាង។

ដើម្បីសង្ខេប PCA មានគោលបំណងកាត់បន្ថយចំនួនអថេរនៅក្នុងសំណុំទិន្នន័យ ខណៈពេលដែលរក្សាព័ត៌មានឱ្យបានច្រើនតាមដែលអាចធ្វើទៅបាន។

តើ ICA ជាអ្វី?

ការវិភាគសមាសធាតុឯករាជ្យ (ICA) គឺជាបច្ចេកទេសស្ថិតិដែលបង្ហាញពីកត្តាលាក់កំបាំងនៅពីក្រោយសំណុំនៃអថេរ រង្វាស់ និងសញ្ញា។

ការវិភាគសមាសធាតុឯករាជ្យ (ICA) យកសញ្ញាចម្រុះ ហើយបំបែកវាទៅជាប្រភពឯករាជ្យ។ អ្នកក៏អាចហៅវាថាជាបញ្ហាជប់លៀងក្រឡុក ឬបញ្ហាការបំបែកប្រភពពិការភ្នែកផងដែរ។

នៅពេលអ្នកនៅក្នុងពិធីជប់លៀងមួយ មនុស្សគ្រប់គ្នាកំពុងនិយាយអំពីរឿងផ្សេងៗគ្នា ប៉ុន្តែខួរក្បាល និងត្រចៀករបស់អ្នកនៅតែគ្រប់គ្រងទីតាំង និងកំណត់អត្តសញ្ញាណសំឡេងតែមួយដែលអ្នកចង់ឮ។

ស្រដៀងគ្នានេះដែរ ICA ធ្វើការដើម្បីបំបែករាល់សញ្ញាពីល្បាយនៃសញ្ញាទៅជាសារឯករាជ្យ។

ភាពខុសគ្នារវាង ICA និង PCA

នេះគឺជាបញ្ជីនៃភាពខុសគ្នារវាង PCA និង ICA សម្រាប់អ្នក។

• ICA គឺល្អសម្រាប់ការស្វែងរកធាតុរងឯករាជ្យនៃទិន្នន័យរបស់អ្នក ខណៈពេលដែល PCA ផ្តល់ឱ្យអ្នកនូវតំណាងកាត់បន្ថយចំណាត់ថ្នាក់។
• PCA បង្ហាប់ទិន្នន័យ ចំណែក ICA បំបែកវាចេញ។
• នៅក្នុង PCA សមាសធាតុគឺរាងពងក្រពើ។ នៅក្នុង ICA ពួកគេប្រហែលជាមិនមានទេ។ នៅក្នុង ICA អ្នកកំពុងស្វែងរកសមាសធាតុដែលបានដាក់ដោយឯករាជ្យ។
• ខណៈពេលដែល PCA បង្កើនភាពខុសប្លែកគ្នានៃសញ្ញាបញ្ចូល និងសមាសភាគសំខាន់ ICA កាត់បន្ថយព័ត៌មានទៅវិញទៅមកក្នុងចំណោមសមាសធាតុដែលបានរកឃើញ។
• PCAចាត់ថ្នាក់លក្ខណៈពិសេសពីសារៈសំខាន់បំផុតទៅតិចបំផុត។ ទោះជាយ៉ាងណាក៏ដោយ នៅក្នុង ICA សមាសធាតុគឺមិនមានលំដាប់លំដោយ និងស្មើគ្នា។
• PCA កាត់បន្ថយវិមាត្រដើម្បីការពារការពាក់លើសទម្ងន់ ខណៈដែល ICA យកសញ្ញាចម្រុះ ហើយប្រែវាទៅជាសញ្ញាប្រភពឯករាជ្យរបស់វា។
• PCA គឺផ្តោតលើការបង្កើនភាពខុសប្លែកគ្នាជាអតិបរមា ចំណែក ICA មិនត្រូវបានផ្តោតទៅលើការប្រែប្រួល ទេ។

នេះគឺជាវីដេអូដ៏ទូលំទូលាយអំពី PCA និង ICA។

PCA VS ICA

តើអ្នកអាចប្រើ ICA នៅពេលណា?

ICA គឺជាវិធីមួយដើម្បីកាត់បន្ថយសំណុំទិន្នន័យទូលំទូលាយនៃអថេរជាច្រើនទៅជាចំនួនតូចៗនៃសមាសធាតុដែលរៀបចំដោយខ្លួនឯង។

សំណុំទិន្នន័យមានអថេរជាច្រើន ដូច្នេះឯករាជ្យ ការវិភាគសមាសធាតុ (ICA) ត្រូវបានប្រើដើម្បីកាត់បន្ថយពួកវាទៅជាទំហំតូចជាងមុន ដើម្បីយល់ថាជាបណ្តាញមុខងារដែលរៀបចំដោយខ្លួនឯង។ អ្នកអាចប្រើ ICA ដើម្បីវិភាគសញ្ញាមិនមែនរូបវិទ្យា។

កម្មវិធីមួយចំនួនរបស់វារួមមាន;

• ព្យាករណ៍តម្លៃទីផ្សារភាគហ៊ុន
• រូបភាពអុបទិកនៃសរសៃប្រសាទ
• ការសម្គាល់មុខ
• តារាសាស្ត្រ និងលោហធាតុ
• ទំនាក់ទំនងតាមទូរសព្ទដៃ

តើអ្នកអាចប្រើ PCA នៅពេលណា?

PCA គឺជាបច្ចេកទេសកាត់បន្ថយវិមាត្រដែលប្រើក្នុងការបង្ហាប់រូបភាព ការសម្គាល់ផ្ទៃមុខ និងដែនចក្ខុវិស័យរបស់កុំព្យូទ័រ។

វាជាក្បួនដោះស្រាយដ៏សំខាន់បំផុតមួយដែលត្រូវបានប្រើប្រាស់សម្រាប់ការកាត់បន្ថយវិមាត្រណាមួយ។ ទិន្នន័យដោយមិនបាត់បង់ព័ត៌មានសំខាន់ៗរបស់វា។ អ្នក​អាច​ប្រើ​វា​ក្នុង​វិស័យ​ផ្សេងៗ​គ្នា​រាប់​ចាប់​ពី​វិទ្យាសាស្ត្រ​សរសៃប្រសាទហិរញ្ញវត្ថុបរិមាណ។

កម្មវិធីមួយចំនួនរបស់វារួមមាន;

• ការសម្គាល់មុខ
• ការបង្ហាប់រូបភាព
• ការវិភាគភាពប្រែប្រួលដែលបង្កឱ្យមានការកើនឡើង (ប្រព័ន្ធសរសៃប្រសាទ)
• Bioinformatics
• ការជីកយករ៉ែទិន្នន័យ

ការវិភាគសរសៃប្រសាទដោយប្រើបច្ចេកទេស PCA និង ICA។

តើសមាសធាតុ ICA រាងពងក្រពើមែនទេ?

សមាសធាតុ ICA មិនមានរាងជ្រុង។ decorrelating transforms ដែលដំណោះស្រាយមានស្ថិតិលំដាប់ខ្ពស់ជាង។

តើសមាសធាតុ PCA ឯករាជ្យទេ?

សមាសធាតុទាំងអស់របស់ PCA គឺឯករាជ្យតាមស្ថិតិ។

សមាសធាតុ PCA មិនមានព័ត៌មានត្រួតស៊ីគ្នារវាងពួកវាទេ។ សមាសធាតុរបស់វាមានរាងមូលទៅវិញទៅមក ហើយពាក់ព័ន្ធនឹងស្ថិតិលំដាប់ទីពីរ។

តើ PCA លីនេអ៊ែរ ឬមិនមែនលីនេអ៊ែរ?

PCA គឺជាការបំប្លែងបន្ទាត់រាងពងក្រពើ។

វាបំប្លែងទិន្នន័យទៅជាប្រព័ន្ធកូអរដោណេថ្មី ដូច្នេះភាពខុសគ្នាដ៏សំខាន់បំផុតគឺស្ថិតនៅលើកូអរដោនេទីមួយ ដែលជាបំរែបំរួលធំបំផុតទីពីរ នៅលើកូអរដោណេទីពីរ ហើយដូច្នេះនៅលើ។

តើ ICA មិនមែនលីនេអ៊ែរជាអ្វី?

ICA មិនមែនលីនេអ៊ែរផ្តោតលើសមត្ថភាពក្នុងការស្តារអថេរមិនទាន់ឃើញច្បាស់ដែលបង្កើតទិន្នន័យដែលជាទិដ្ឋភាពជាមូលដ្ឋាននៃការរៀនតំណាងដែលមិនមានការត្រួតពិនិត្យ។

ទិន្នន័យត្រូវបានបន្ថែមដោយអថេរជំនួយ ដូចជាសន្ទស្សន៍ពេលវេលា ប្រវត្តិនៃស៊េរីពេលវេលា ឬអ្វីផ្សេងទៀតដែលមាន។

អ្នកអាចរៀន ICA មិនមែនលីនេអ៊ែរ ដោយបែងចែករវាងទិន្នន័យដែលបានបន្ថែមត្រឹមត្រូវ និងទិន្នន័យជាមួយអថេរជំនួយចៃដន្យ។ តាមរយៈការតំរែតំរង់ផ្នែកភ័ស្តុភារ ក្របខណ្ឌអាចត្រូវបានអនុវត្តតាមក្បួនដោះស្រាយ។

ហេតុអ្វីបានជា ICA មិនមែន Gaussian?

ធាតុសំខាន់នៃ ICA គឺថាកត្តាមិនទាន់ឃើញច្បាស់ត្រូវបានសន្មត់ថាមិនមែនជា Gaussian។

ICA នឹងមិនបំបែកកត្តា Gaussian ពីរទេព្រោះវាផ្អែកលើគម្លាតពីភាពធម្មតា . ដោយទទួលបានអថេរ Gaussian ពីរ វាមិនមានដំណោះស្រាយតែមួយសម្រាប់ប្រូបាប៊ីលីតេរួមរាងជារង្វង់ទេ។

មួយណាល្អជាង។ ICA ឬ PCA?

ទាំងពីរគឺល្អជាងនៅក្នុងទិដ្ឋភាព និងការប្រើប្រាស់របស់ពួកគេ។

PCA គឺមានសារៈសំខាន់សម្រាប់ការស្វែងរកតំណាងដែលកាត់បន្ថយចំណាត់ថ្នាក់នៃទិន្នន័យរបស់អ្នក និង ICA សម្រាប់ការស្វែងរកផ្នែករងឯករាជ្យ - ធាតុនៃទិន្នន័យរបស់អ្នក។ នៅក្នុងលក្ខខណ្ឌរបស់ layman PCA បង្រួមទិន្នន័យ ហើយ ICA បំបែកវា។ ដូច្នេះទាំងពីរមានប្រយោជន៍។

គំនិតចុងក្រោយ

ICA និង PCA គឺជាបច្ចេកទេសដែលប្រើក្នុងការដោះស្រាយបញ្ហាពស់ថ្លាន់ ទាំងពីរដំណើរការលើគោលការណ៍ស្រដៀងគ្នា ប៉ុន្តែអនុវត្តមុខងារផ្សេងគ្នា។

ICA ជួយក្នុងការស្វែងរកធាតុរងឯករាជ្យនៃទិន្នន័យរបស់អ្នក និងបំបែកពួកវា។ លើសពីនេះទៅទៀត ICA កាត់បន្ថយព័ត៌មានទៅវិញទៅមកក្នុងចំណោមសមាសធាតុដែលបានរកឃើញ និងផ្តល់ឱ្យអ្នកនូវសមាសធាតុដែលបានដាក់ដោយឯករាជ្យ។

ទោះយ៉ាងណា PCA បង្រួមទិន្នន័យ និងធ្វើឱ្យអ្នកទទួលបានចំណាត់ថ្នាក់កាត់បន្ថយជាមួយនឹងសមាសធាតុរាងពងក្រពើ ដែលបង្កើនភាពប្រែប្រួលនៃសញ្ញាបញ្ចូល។ រួមជាមួយនឹងសមាសធាតុសំខាន់ៗ។

អត្ថបទពាក់ព័ន្ធ

កំណែគេហទំព័រនៃអត្ថបទនេះអាចរកបាននៅទីនេះ។