Математик бол үзэсгэлэнтэй бөгөөд сэтгэл хөдөлгөм шинжлэх ухаан боловч түүний гоо сайхныг ойлгохын тулд алхам алхмаар явах хэрэгтэй. Та бүх замыг нэг дор явж болохгүй. Энэхүү алхам алхмаар шилжилтийг хөнгөвчлөхийн тулд та хэд хэдэн томъёо, аргыг ашиглаж болно.

PCA ба ICA нь өгөгдлийн багцыг тодорхой үндсэн дээр хуваахад ашигладаг ийм хоёр арга юм. Хоёр арга хоёулаа эх сурвалжийг шугаман аргаар нэгтгэж, шинийг олж авдаг. Тэд хоёулаа нэлээд төстэй боловч бие биенээсээ эрс ялгаатай.

Хоёр аргын хоорондох хамгийн бодит ялгаа нь PCA нь таны өгөгдлийн зэрэглэл багатай дүрслэлийг олоход хэрэгтэй байдаг. Нөгөө талаас ICA нь таны өгөгдлийн бие даасан дэд элементүүдийг олоход зориулагдсан.

Энгийн хэлээр бол PCA нь өгөгдлийг шахаж, ICA нь ялгадаг.

Хэрэв та эдгээр аргуудын талаар илүү ихийг мэдэхийг хүсвэл эцэс хүртэл уншина уу.

PCA болон ICA техникийг янз бүрийн туршилтын процессуудад ашигладаг.

PCA гэж юу вэ?

PCA буюу Үндсэн бүрэлдэхүүн хэсгүүдийн шинжилгээ нь том өгөгдлийн багцыг жижиг болгон өөрчлөх, шаардлагатай бүх мэдээллийг бүрэн бүтэн байлгах замаар хэмжээсийг багасгахад ашигладаг багасгах арга юм.

Өгөгдлийн багцын хэмжээг багасгах үед та нарийвчлалыг золиосолж байгаа боловч хэмжээст байдлыг багасгах нь энгийн байдлын үүднээс нарийвчлалыг золиослох явдал юм.

Та жижиг өгөгдлийн багцыг хялбархан судалж, дүрслэх боломжтой бөгөөд машин сургалтын алгоритмууд нь өгөгдлийг илүү хүртээмжтэй, хурдан задлан шинжилж чаддаг тулцөөн хувьсагч байна.

Товчхондоо, PCA нь аль болох их мэдээллийг хадгалахын зэрэгцээ өгөгдлийн багц дахь хувьсагчдын тоог багасгах зорилготой.

ICA гэж юу вэ?

Бие даасан бүрэлдэхүүн хэсгүүдийн шинжилгээ (ICA) нь санамсаргүй хэмжигдэхүүн, хэмжилт, дохионы олонлогийн ард нуугдмал хүчин зүйлсийг илрүүлдэг статистикийн арга юм.

Бие даасан бүрэлдэхүүн хэсгүүдийн шинжилгээ. (ICA) нь холимог дохиог авч, бие даасан эх сурвалж болгон тусгаарладаг. Та үүнийг коктейлийн үдэшлэгийн асуудал эсвэл сохор эх үүсвэрийг салгах асуудал гэж нэрлэж болно.

Таныг коктейлийн үдэшлэгт оролцох үед хүн бүр өөр өөр зүйлийн тухай ярьдаг ч таны тархи, чих сонсохыг хүссэн ганц дуу хоолойг тань олж, таньж чаддаг хэвээр байна.

Үүний нэгэн адил ICA нь дохионы холимогоос дохио бүрийг бие даасан мессеж болгон салгахын тулд ажилладаг.

ICA ба PCA хоёрын ялгаа

Энд PCA болон PCA хоорондын ялгааг жагсаав. Танд зориулсан ICA.

• ICA нь таны өгөгдлийн бие даасан дэд элементүүдийг олоход сайн байдаг бол PCA нь танд бага зэрэглэл бүхий төлөөлөл өгдөг.
• PCA нь өгөгдлийг шахдаг бол ICA нь тэдгээрийг тусгаарладаг.
• PCA-д бүрэлдэхүүн хэсгүүд нь ортогональ байдаг; ICA-д тэд тийм биш байж магадгүй. ICA-д та бие даасан байрлуулсан бүрэлдэхүүн хэсгүүдийг хайж байна.
• PCA нь оролтын дохио болон үндсэн бүрэлдэхүүн хэсгүүдийн хэлбэлзлийг ихэсгэдэг бол ICA нь олдсон бүрэлдэхүүн хэсгүүдийн харилцан мэдээллийг багасгадаг.
• PCAОнцлогуудыг хамгийн чухалаас бага ач холбогдолтой хүртэл эрэмбэлдэг. Гэсэн хэдий ч ICA-д бүрэлдэхүүн хэсгүүд нь үндсэндээ эмх цэгцгүй бөгөөд тэнцүү байдаг.
• PCA нь хэт тохируулахаас сэргийлэхийн тулд хэмжээсүүдийг багасгадаг бол ICA нь холимог дохиог авч, бие даасан эх сурвалжийн дохио болгон хувиргадаг.
• PCA нь хэлбэлзлийг нэмэгдүүлэхэд чиглэгддэг бол ICA нь дисперс дээр төвлөрдөггүй .

Энд PCA болон ICA-ийн тухай дэлгэрэнгүй видео байна.

PCA VS ICA

Та ICA-г хэзээ ашиглаж болох вэ?

ICA нь олон хувьсагчаас бүрдсэн өргөн хүрээтэй өгөгдлийн багцыг цөөн тооны өөрөө зохион байгуулалттай бүрэлдэхүүн хэсэг болгон багасгах арга юм.

Өгөгдлийн багц нь олон хувьсагчаас бүрддэг тул бие даасан Бүрэлдэхүүн хэсгүүдийн шинжилгээ (ICA) нь тэдгээрийг өөрөө зохион байгуулалттай функциональ сүлжээ гэж ойлгохын тулд жижиг хэмжээс болгон багасгахад ашиглагддаг. Та физик бус дохиог шинжлэхийн тулд ICA ашиглаж болно.

Үүний цөөн хэдэн хэрэглээнд:

• Хөрөнгийн зах зээлийн үнийг урьдчилан таамаглах
• Нейроны оптик дүрслэл
• Нүүр таних
• Одон орон ба сансар судлал
• Гар утасны холбоо

Та хэзээ PCA ашиглаж болох вэ?

PCA нь дүрсийг шахах, нүүр царай таних, компьютерийн харааны домэйнд ашигладаг хэмжээсийг багасгах арга юм.

Энэ нь аливаа зургийн хэмжээсийг багасгахад ашигладаг хамгийн чухал алгоритмуудын нэг юм. өгөгдлүүд нь чухал мэдээллүүдээ алдалгүйгээр. Та үүнийг мэдрэл судлалаас эхлээд янз бүрийн салбарт ашиглаж болнотоон санхүү.

Түүний зарим хэрэглээнд:

• Нүүр таних
• Зургийг шахах
• Баяжуулалтаас үүдэлтэй ковариацын шинжилгээ (Мэдрэл судлал)
• Био-информатик
• Өгөгдөл олборлолт

PCA болон ICA техникийг ашиглан мэдрэлийн шинжилгээ.

ICA бүрэлдэхүүн хэсгүүд нь ортогональ уу?

ICA бүрэлдэхүүн хэсгүүд нь ортогональ бус; Шийдэл нь илүү өндөр эрэмбийн статистиктай хувиргалтыг засах.

PCA Бүрэлдэхүүн хэсгүүд хараат бус уу?

PCA-ийн бүх бүрэлдэхүүн хэсгүүд нь статистикийн хувьд бие даасан байдаг.

PCA бүрэлдэхүүн хэсгүүд нь хоорондоо давхцах мэдээлэлгүй байна. Түүний бүрэлдэхүүн хэсгүүд нь харилцан ортогональ бөгөөд хоёр дахь эрэмбийн статистикийг агуулдаг.

PCA шугаман эсвэл шугаман бус уу?

PCA нь ортогональ шугаман хувиргалт юм.

Энэ нь өгөгдлийг шинэ координатын систем болгон хувиргадаг бөгөөд ингэснээр хамгийн чухал дисперс нь эхний координат, хоёр дахь хамгийн том дисперс дээр байх болно. хоёр дахь координат дээр гэх мэт.

Шугаман бус ICA гэж юу вэ?

Шугаман бус ICA нь хараа хяналтгүй дүрслэлд суралцах үндсэн тал болох өгөгдлийг үүсгэдэг далд хувьсагчдыг сэргээх чадварт төвлөрдөг.

Өгөгдөл нь туслах хувьсагчаар нэмэгддэг. , цаг хугацааны индекс, цаг хугацааны цувралын түүх, эсвэл боломжтой бусад зүйлс гэх мэт.

Та үнэн зөв нэмэгдсэн өгөгдөл болон өгөгдлийг хооронд нь ялгах замаар шугаман бус ICA-г сурч болно.санамсаргүй туслах хувьсагч. Логистик регрессийн тусламжтайгаар хүрээг алгоритмын дагуу хэрэгжүүлэх боломжтой.

ICA яагаад Гаусс биш юм бэ?

ICA-ийн гол элемент нь далд хүчин зүйлсийг Гауссын бус гэж үздэг.

ICA нь хэвийн байдлаас хазайлт дээр суурилдаг тул хоёр Гауссын хүчин зүйлийг салгахгүй. . Хоёр Гауссын хувьсагчийг авч үзвэл дугуй үений магадлалын хувьд ганц шийдэл байхгүй.

Аль нь илүү вэ; ICA эсвэл PCA?

Хоёулаа хэтийн төлөв, ашиглалтын хувьд илүү сайн.

PCA нь таны өгөгдлийн доод түвшний төлөөллийг олоход чухал ач холбогдолтой бөгөөд ICA нь бие даасан дэд мэдээллийг олоход чухал ач холбогдолтой. - таны мэдээллийн элементүүд. Энгийн хэллэгээр бол PCA нь өгөгдлийг шахдаг бөгөөд ICA нь үүнийг тусгаарладаг. Тиймээс аль аль нь ашигтай.

Эцсийн бодол

ICA болон PCA нь питоны асуудлыг шийдвэрлэхэд ашигладаг арга техникүүд бөгөөд хоёулаа ижил төстэй зарчим дээр ажилладаг боловч өөр өөр үүрэг гүйцэтгэдэг.

ICA нь таны өгөгдлийн бие даасан дэд элементүүдийг олоход тусалдаг ба тэдгээрийг тусгаарладаг. Түүнчлэн, ICA нь олдсон бүрэлдэхүүн хэсгүүдийн харилцан мэдээллийг багасгаж, бие даан байршуулсан бүрэлдэхүүн хэсгүүдийг өгдөг.

Гэсэн хэдий ч PCA нь өгөгдлийг шахаж, оролтын дохионы хэлбэлзлийг дээд зэргээр нэмэгдүүлэх ортогональ бүрэлдэхүүн хэсгүүдтэй бага зэрэглэлийн дүрслэлийг өгдөг. үндсэн бүрэлдэхүүн хэсгүүдийн хамт.

Холбоотой нийтлэлүүд

Энэ нийтлэлийн вэб түүхийн хувилбарыг эндээс олж болно.