Matematîk zanistek xweş û balkêş e, lê divê hûn gav bi gav biçin da ku hûn bedewiya wê fam bikin. Hûn nikarin bi yekcarî herin. Ji bo hêsankirina vê veguheztina gav-bi-gav, hûn dikarin çend formul û rêbazan bikar bînin.

PCA û ICA du rêbazên weha ne ku ji bo dabeşkirina daneyek li ser bingehek taybetî têne bikar anîn. Her du teknîk çavkaniyan bi rengek xêzkirî berhev dikin da ku yên nû bistînin. Ew her du jî pir dişibin hev, lê ji hev pir cûda ne.

Cûdahiya herî pratîkî ya di navbera her du teknîkan de ev e ku PCA ji bo dîtina nûneratiyek kêmkirî ya daneyên we bikêr e. ICA, ji hêla din ve, ji bo dîtina bin-hêmanên serbixwe yên daneyên we ye.

Bi gotinên layenî, PCA daneyan berhev dike, û ICA jê vediqetîne.

Heke hûn dixwazin li ser van teknîkan bêtir fêr bibin, heya dawiyê bixwînin.

Teknîkên PCA û ICA di gelek pêvajoyên ceribandinê de têne bikar anîn.

PCA çi ye?

PCA an Analîzkirina Pêkhateya Sereke rêbazek kêmkirinê ye ku ji bo kêmkirina pîvanên berhevokên daneya mezin bi guheztina wan li yên piçûktir û bi girtina hemî agahdariya pêwîst tê bikar anîn.

Gava ku hûn mezinahiya berhevokek daneyê kêm dikin, hûn rastbûnê dikin qurban, lê kêmkirina dimensîyonê hemî li ser fedakirina rastbûnê ye ji bo sadebûnê.

Hûn dikarin berhevokên daneya piçûktir hêsantir bikolin û xuyang bikin, û algorîtmayên fêrbûna makîneyê dikarin daneyan bigihînintir û zûtir analîz bikin ji ber kuhindiktir guhêrbar hene.

Bi kurtî, PCA armanc dike ku hejmara guhêrbaran di berhevoka daneyê de kêm bike û di heman demê de bi qasî ku pêkan agahdarî biparêze.

ICA çi ye?

Analîzkirina Pêkhateyên Serbixwe (ICA) teknîkek îstatîstîkî ye ku faktorên veşartî li pişt komên guhêrbar, pîvandin û nîşanan vedişêre. (ICA) sînyalek tevlihev digire û di çavkaniyên serbixwe de vediqetîne. Her weha hûn dikarin jê re bibêjin pirsgirêkek partiya kokteylê an pirsgirêka veqetandina çavkaniya kor.

Dema ku hûn li şahiyek kokteylê ne, her kes li ser tiştên cûda diaxive, lê mejî û guhên we hîn jî dengek yekane ku hûn dixwazin bibihîzin bibînin û nas bikin.

Bi heman awayî, ICA dixebite ku her sînyalê ji tevliheviya sînyalan veqetîne peyamek serbixwe.

Cûdahiya Di Navbera ICA Û PCA de

Li vir navnîşek cûdahiyên di navbera PCA û ICA ji bo we.

• ICA ji bo dîtina bine-hêmanên serbixwe yên daneyên we baş e, dema ku PCA ji we re nûneriyek kêmkirî distîne.
• PCA daneyan berhev dike, lê ICA wan ji hev vediqetîne.
• Di PCA de, pêkhate ortogonal in; di ICA de, dibe ku ew nebin. Di ICA de, hûn li hêmanên ku serbixwe hatine danîn digerin.
• Dema ku PCA cihêrengiya sînyala têketinê û hêmanên sereke zêde dike, ICA agahdariya hevbeş di nav pêkhateyên ku hatine dîtin de kêm dike.
• PCAtaybetmendiyan ji ya herî girîng ber bi herî kêm girîng di rêz dike. Lêbelê, di ICA de, pêkhate bi bingehîn bê rêz û wekhev in.
• PCA pîvanan kêm dike da ku pêşî li zêdebûnê bigire, dema ku ICA nîşana tevlihev digire û vedigerîne sînyalên çavkaniyên xwe yên serbixwe.
• PCA balê dikişîne ser mezinkirina cûdahiyan, lê ICA ne li ser cûdabûnê ye .

Li vir vîdyoyek berfireh li ser PCA û ICA heye.

PCA VS ICA

Kengê Hûn dikarin ICA bikar bînin?

ICA rêyek e ku meriv komek daneya berfireh a gelek guherbaran bike jimareyên piçûktir ên pêkhateyên xwe-rêxistinkirî.

Komek daneyî ji gelek guherbaran pêk tê, lewra Serbixwe Analîzkirina Parçeyan (ICA) tê bikar anîn da ku wan di pîvanên piçûktir de kêm bike da ku wekî torên fonksiyonel ên xwe-rêxistinkirî werin fêm kirin. Hûn dikarin ICA bikar bînin ku nîşanên ne-fizîkî analîz bikin.

Çend serîlêdanên wê ev in;

• Bihayên bazarê pêşbînîkirin
• Wêneya optîkî ya neuronan
• Naskirina rû
• Astronomî û kozmolojî
• Pêwendiyên têlefonên desta

Kengê Hûn dikarin PCA bikar bînin?

PCA teknolojiyek kêmkirina pîvanê ye ku di berhevkirina wêneyê, naskirina rû, û qadên dîtina kompîturê de tê bikar anîn.

Ew yek ji algorîtmayên herî krîtîk e ku ji bo kêmkirina dimensîyonê ya her yekê tê bikar anîn. daneyan bêyî ku hûrguliyên xwe yên bingehîn winda bike. Hûn dikarin wê di warên cihêreng de bikar bînin, ji neurosciences bigire heyafînansa mîqdar.

Hinek ji sepanên wê ev in;

• Naskirina rû
• Pêvekirina wêneyê
• Spike analîza kovariansê destnîşan kir (Neurosciences)
• Bioinformatics
• Danûstandina daneyan

Analîzkirina neuroyê bi teknîkên PCA û ICAyê bi kar tîne.

Ma Parçeyên ICA Ortogonal in?

Pêkhateyên ICA ne-orthogonal in; veguhertinên ku çareseriya wan xwedî statîstîkên rêza bilindtir e.

Ma Parçeyên PCA Serbixwe ne?

Hemû pêkhateyên PCA-yê ji hêla îstatîstîkî ve serbixwe ne.

Pêkhateyên PCA-yê di navbera wan de agahdariya hevûdu tune. Pêkhateyên wê bi hev re ortogonal in û statîstîkên rêza duyemîn vedigirin.

PCA Linear e an Nexet e?

PCA veguherînek xêzikek ortogonal e.

Ew daneyan vediguherîne pergalek hevrêzek nû ji ber vê yekê cûdahiya herî girîng li ser hevrêza yekem, ya duyemîn a herî mezin e. li ser koordînata duyemîn, û hwd.

ICA-ya Ne-Linear Çi ye?

ICA ne-Linear balê dikişîne ser şiyana vegerandina guhêrbarên nepenî yên ku daneyan çêdike, aliyekî bingehîn a hînbûna temsîla neçapkirî.

Daneyên bi guhêrbarên alîkar têne zêdekirin. , mîna nîşaneya demê, dîroka rêzikên demê, an her tiştê din ku heye.

Hûn dikarin ICA-ya nehêlî bi ferqkirina daneya zêdekirî ya rast û daneya biguherbar alîkar randomized. Bi riya regresyona lojîstîkî, çarçove dikare bi algorîtmîkî were bicîh kirin.

Çima ICA Ne-Gaussian e?

Elementeke sereke ya ICA ev e ku faktorên nepenî wekî ne-Gaussian têne hesibandin.

ICA dê du faktorên Gaussian ji hev veneqetîne ji ber ku ew li ser bingeha dûrketina ji normalbûnê ye. . Ji ber du guhêrbarên Gaussian, ji bo îhtimaleke hevbeş a dorveger çareseriyek yekane tune.

Kîjan çêtir e; ICA An PCA?

Herdu jî di perspektîf û karanîna xwe de çêtir in.

PCA ji bo dîtina nûneratiyek kêmkirî ya daneyên we girîng e, û ICA jî ji bo dîtina jêrînek serbixwe girîng e. -hêmanên daneyên we. Bi gotinên laşî, PCA daneyan berhev dike, û ICA wê ji hev vediqetîne. Ji ber vê yekê herdu jî bikêr in.

Ramanên Dawî

ICA û PCA teknîk in ku di çareserkirina pirsgirêkên python de têne bikar anîn - her du jî li ser prensîbên wekhev dixebitin lê fonksiyonên cûda pêk tînin.

ICA di dîtina bin-hêmanên serbixwe yên daneyên we de dibe alîkar û wan ji hev vediqetîne. Digel vê yekê, ICA agahdariya hevbeş di nav pêkhateyên ku hatine dîtin de kêm dike û pêkhateyên serbixwe yên ku hatine danîn dide we.

Lêbelê, PCA daneyan berhev dike û bi hêmanên ortogonal re nûnertiyek kêm-zêde distîne, ku cihêrengiya sînyala têketinê herî zêde dike. ligel pêkhateyên sereke.

Gotarên Têkildar

Guhertoya çîroka webê ya vê gotarê li vir tê dîtin.