Математиката е убава и возбудлива наука, но мора да одите чекор по чекор за да ја сфатите нејзината убавина. Не можете да одите докрај одеднаш. За да ја олесните оваа чекор-по-чекор транзиција, можете да користите неколку формули и методи.

PCA и ICA се два такви методи кои се користат за поделба на збир на податоци на одредена основа. И двете техники ги комбинираат изворите на линеарен начин за да добијат нови. Двете се прилично слични, но многу различни една од друга.

Најпрактичната разлика помеѓу двете техники е тоа што PCA е корисна за наоѓање на репрезентативна рамнина на вашите податоци. ИЦА, од друга страна, е за пронаоѓање независни поделементи на вашите податоци.

Лички кажано, PCA ги компресира податоците, а ICA ги раздвојува.

Ако сакате да дознаете повеќе за овие техники, прочитајте до крај.

PCA и ICA техниките се користат во различни процеси на тестирање.

Што е PCA?

PCA или анализа на главна компонента е метод на намалување што се користи за намалување на димензиите на големите збирки податоци со нивно менување во помали и задржување на сите потребни информации недопрени.

Кога ја намалувате големината на множеството податоци, ја жртвувате прецизноста, но намалувањето на димензионалноста е само за жртвување на точноста за едноставност.

Можете полесно да истражувате и визуелизирате помали збирки податоци, а алгоритмите за машинско учење можат да ги анализираат податоците подостапни и побрзи бидејќиима помалку променливи.

Да резимираме, PCA има за цел да го намали бројот на променливи во множеството податоци додека зачувува што е можно повеќе информации.

Што е ICA?

Независна анализа на компоненти (ICA) е статистичка техника која открива скриени фактори зад збировите на случајни променливи, мерења и сигнали.

Независна анализа на компоненти (ICA) зема мешан сигнал и го дели на независни извори. Можете исто така да го наречете проблем со коктел забава или проблем со раздвојување на слеп извор.

Кога сте на коктел, сите зборуваат за различни работи, но вашиот мозок и уши сепак успеваат да лоцираат и идентификуваат еден глас што сакате да го слушнете.

Слично, ICA работи за да го оддели секој сигнал од мешавина на сигнали во независна порака.

Разлика помеѓу ICA и PCA

Еве листа на разлики помеѓу PCA и ICA за вас.

• ICA е добра за наоѓање независни поделементи на вашите податоци, додека PCA ви добива репрезентативност со намален ранг.
• PCA ги компресира податоците, додека ICA ги раздвојува.
• Во PCA, компонентите се ортогонални; во ИОР, тие можеби не се. Во ICA, барате независно поставени компоненти.
• Додека PCA ја максимизира варијансата на влезниот сигнал и главните компоненти, ICA ги минимизира меѓусебните информации меѓу пронајдените компоненти.
• PCAги рангира карактеристиките од најзначајни до најмалку значајни. Меѓутоа, во ICA, компонентите се суштински неуредени и еднакви.
• PCA ги намалува димензиите за да спречи преоптоварување, додека ICA го зема мешаниот сигнал и го претвора во сигнали на своите независни извори.
• PCA е фокусирана на максимизирање на варијансите, додека ICA не е концентрирана на варијансата .

Еве сеопфатно видео за PCA и ICA.

PCA VS ICA

Кога можете да користите ICA?

ICA е начин да се намали обемниот сет на податоци од многу променливи во помал број на самоорганизирани компоненти.

Збирката на податоци се состои од многу променливи, така што независна Компоненти Анализа (ICA) се користи за да се редуцираат во помали димензии за да се разберат како самоорганизирани функционални мрежи. Можете да користите ICA за да анализирате нефизички сигнали.

Неколку од неговите апликации вклучуваат:

• Предвидување на берзанските цени
• Оптичко снимање на неврони
• Препознавање лице
• Астрономија и космологија
• Комуникации со мобилни телефони

Кога можете да користите PCA?

PCA е техника за намалување на димензиите што се користи во доменот за компресија на сликата, препознавање на лицето и компјутерска визија.

Тоа е еден од најкритичните алгоритми што се користат за намалување на димензионалноста на кој било податоци без губење на неговите суштински поенти. Можете да го користите во различни области, почнувајќи од невролошки науки доквантитативни финансии>

Невро-анализа користејќи PCA и ICA техники.

Дали компонентите на ICA се ортогонални?

ИЦА компонентите се неортогонални; Декорелирање на трансформации чие решение има статистика од повисок ред.

Дали компонентите на PCA се независни?

Сите компоненти на PCA се статистички независни.

Компонентите на PCA немаат никакви преклопувачки информации меѓу нив. Неговите компоненти се меѓусебно ортогонални и вклучуваат статистика од втор ред.

Дали PCA е линеарен или нелинеарен?

PCA е ортогонална линеарна трансформација.

Ги трансформира податоците во нов координатен систем така што најзначајната варијанса лежи на првата координата, втората најголема варијанса на втората координата и така натаму.

Што е нелинеарна ICA?

Нелинеарното ICA се фокусира на способноста да се повратат латентните променливи кои ги генерираат податоците, фундаментален аспект на учењето за претставување без надзор.

Податоците се зголемуваат со помошни променливи , како временскиот индекс, историјата на временските серии или што и да е достапно.

Можете да научите нелинеарна ICA со дискриминација помеѓу точни зголемени податоци и податоци сорандомизирана помошна променлива. Преку логистичка регресија, рамката може да се имплементира алгоритамски.

Зошто ICA е не-гаусска?

Клучен елемент на ICA е тоа што се претпоставува дека латентни фактори се не-гаусови.

ICA нема да одвои два Гаусови фактори бидејќи се заснова на отстапување од нормалноста . Со оглед на две Гаусови променливи, не постои единствено решение за веројатноста за кружен зглоб.

Која е подобра; ICA или PCA?

Двајцата се подобри во нивната перспектива и употреба.

PCA е значајна за пронаоѓање на намалена застапеност на вашите податоци, а ICA за наоѓање независна под -елементи од вашите податоци. Лаички кажано, PCA ги компресира податоците, а ICA ги раздвојува. Значи и двете се корисни.

Завршни мисли

ICA и PCA се техники кои се користат во решавањето на проблемите со питон - и двете работат на слични принципи, но извршуваат различни функции.

ICA помага во пронаоѓањето на независни поделементи на вашите податоци и ги раздвојува. Покрај тоа, ICA ги минимизира меѓусебните информации меѓу пронајдените компоненти и ви дава независно поставени компоненти.

Меѓутоа, PCA ги компресира податоците и ви дава репрезентација со намален ранг со ортогонални компоненти, што ја максимизира варијансата на влезниот сигнал заедно со главните компоненти.

Поврзани написи

Верзијата на веб-приказната на оваа статија може да се најде овде.