رياضي هڪ خوبصورت ۽ دلچسپ سائنس آهي، پر توهان کي ان جي حسن کي سمجهڻ لاءِ قدم قدم تي هلڻو پوندو. توهان هڪ ڀيرو سڄي طريقي سان نه ٿا سگهو. ھن مرحليوار منتقلي کي آسان ڪرڻ لاءِ، توھان استعمال ڪري سگھوٿا ڪيترائي فارمولا ۽ طريقا.

PCA ۽ ICA ٻه اهڙا طريقا آهن جيڪي هڪ مخصوص بنياد تي ڊيٽا سيٽ کي ورهائڻ لاءِ استعمال ڪيا ويندا آهن. ٻئي ٽيڪنالاجي ذريعن کي گڏ ڪن ٿا هڪ لڪير طريقي سان نوان حاصل ڪرڻ لاء. اهي ٻئي هڪجهڙا آهن پر هڪ ٻئي کان بلڪل مختلف آهن.

ٻنهي ٽيڪنالاجي جي وچ ۾ سڀ کان وڌيڪ عملي فرق اهو آهي ته PCA توهان جي ڊيٽا جي گهٽ-ريڪ جي نمائندگي ڳولڻ لاءِ ڪارائتو آهي. ICA، ٻئي طرف، توهان جي ڊيٽا جي آزاد ذيلي عناصر کي ڳولڻ لاء آهي.

عام ماڻهن جي اصطلاحن ۾، PCA ڊيٽا کي دٻائي ٿو، ۽ ICA ان کي الڳ ڪري ٿو.

جيڪڏهن توهان انهن ٽيڪنالاجي بابت وڌيڪ ڄاڻڻ چاهيو ٿا، ته آخر تائين پڙهو.

PCA ۽ ICA ٽيڪنڪ مختلف جانچ جي عملن ۾ استعمال ٿينديون آهن.

PCA ڇا آهي؟

PCA يا پرنسپل جزو تجزيا هڪ گھٽتائي جو طريقو آهي جنهن کي استعمال ڪيو ويندو آهي وڏن ڊيٽا سيٽن جي طول و عرض کي گهٽائڻ لاءِ انهن کي ننڍڙن سيٽن ۾ تبديل ڪندي ۽ سڀني ضروري معلومات کي برقرار رکي.

جڏهن توهان ڊيٽا سيٽ جي سائيز کي گھٽايو ٿا، توهان درستگي جي قرباني ڪري رهيا آهيو، پر طول و عرض جي گهٽتائي سادگي لاءِ درستگي کي قربان ڪرڻ بابت آهي.

توهان ننڍڙن ڊيٽا سيٽن کي آسانيءَ سان ڳولي ۽ ڏسي سگهو ٿا، ۽ مشين لرننگ الگورٿمس ڊيٽا کي وڌيڪ پهچ ۽ تيزيءَ سان تجزيو ڪري سگھن ٿا ڇاڪاڻ تهٿورڙا متغير آهن.

اختصار ڪرڻ لاءِ، PCA جو مقصد ڊيٽا سيٽ ۾ متغيرن جو تعداد گھٽائڻ آهي جڏهن ته ممڪن حد کان وڌيڪ معلومات محفوظ ڪري ٿي.

ICA ڇا آهي؟

Independent Component Analysis (ICA) ھڪ شمارياتي ٽيڪنڪ آھي جيڪا بي ترتيب متغيرن، ماپن ۽ سگنلن جي سيٽن جي پويان لڪيل عنصرن کي ظاھر ڪري ٿي.

The Independent Component Analysis (ICA) هڪ مخلوط سگنل وٺندو آهي ۽ ان کي آزاد ذريعن ۾ الڳ ڪري ٿو. توھان ان کي ڪوڪ ٽيل پارٽي جو مسئلو يا بلائنڊ ماخذ علحدگي جو مسئلو پڻ سڏي سگھو ٿا.

جڏهن توهان ڪاڪٽيل پارٽي ۾ هوندا آهيو، هرڪو مختلف شين بابت ڳالهائيندو آهي، پر توهان جو دماغ ۽ ڪن اڃا تائين هڪ واحد آواز کي ڳولڻ ۽ سڃاڻڻ جو انتظام ڪندا آهن جيڪو توهان ٻڌڻ چاهيو ٿا.

ساڳي طرح، ICA ڪم ڪري ٿو هر سگنل کي سگنلن جي ميلاپ کان الڳ الڳ پيغام ۾.

فرق جي وچ ۾ ICA ۽ PCA

هتي PCA ۽ وچ ۾ اختلافن جي هڪ فهرست آهي. ICA توهان لاءِ.

• ICA توهان جي ڊيٽا جي آزاد ذيلي عنصرن کي ڳولڻ لاءِ سٺو آهي، جڏهن ته PCA توهان کي گهٽ درجي جي نمائندگي حاصل ڪري ٿي.
• PCA ڊيٽا کي دٻائي ٿو، جڏهن ته ICA ان کي الڳ ڪري ٿو.
• PCA ۾، اجزاء آرٿوگونل آهن؛ ICA ۾، اهي نه هوندا. ICA ۾، توهان آزاديءَ سان رکيل اجزاء ڳولي رهيا آهيو.
• جڏهن ته PCA ان پٽ سگنل ۽ پرنسپل اجزاء جي فرق کي وڌائي ٿو، ICA مليل اجزاء جي وچ ۾ باهمي معلومات کي گھٽ ڪري ٿو.
• PCAخاصيتن کي سڀ کان وڌيڪ اھم کان گھٽ ۾ گھٽ اھميت جي درجه بندي ڪري ٿو. بهرحال، ICA ۾، اجزاء لازمي طور تي اڻ ترتيب ۽ برابر هوندا آهن.
• PCA طول و عرض گھٽائي ٿو اوورفٽنگ کي روڪڻ لاءِ، جڏهن ته ICA مخلوط سگنل وٺي ٿو ۽ ان کي پنهنجي آزاد ذريعن جي سگنلن ۾ تبديل ڪري ٿو.
• PCA متغيرن کي وڌائڻ تي ڌيان ڏنو ويو آهي، جڏهن ته ICA متغير تي متمرکز ناهي .

هتي PCA ۽ ICA بابت هڪ جامع وڊيو آهي.

PCA VS ICA

توهان ڪڏهن ICA استعمال ڪري سگهو ٿا؟

ICA ڪيترن ئي متغيرن جي وسيع ڊيٽا سيٽ کي گھٽ ڪرڻ جو ھڪڙو طريقو آھي جيڪو پاڻ منظم ڪيل اجزاء جي ننڍن تعداد ۾.

ھڪ ڊيٽا سيٽ ڪيترن ئي متغيرن تي مشتمل آھي، تنھنڪري آزاد اجزاء جو تجزيو (ICA) استعمال ڪيو ويندو آھي انھن کي گھٽائڻ لاءِ ننڍين ننڍين طول و عرض ۾ سمجھڻ لاءِ جيئن سمجھيو وڃي پاڻ منظم ٿيل فنڪشنل نيٽ ورڪ. توھان استعمال ڪري سگھوٿا ICA غير جسماني سگنلن جو تجزيو ڪرڻ لاءِ.

ان جي ڪجھ ايپليڪيشنن ۾ شامل آهن؛

توهان PCA ڪڏهن استعمال ڪري سگهو ٿا؟

PCA هڪ طول و عرض گھٽائڻ واري ٽيڪنڪ آهي جيڪا تصوير جي ڪمپريشن، چهري جي سڃاڻپ، ۽ ڪمپيوٽر ويزن ڊومينز ۾ استعمال ٿيندي آهي.

اها هڪ انتهائي نازڪ الگورتھم آهي جيڪا ڪنهن به قسم جي طول و عرض جي گھٽتائي لاءِ استعمال ڪئي ويندي آهي. ڊيٽا ان جي ضروري خبرن کي وڃائڻ کان سواء. توھان ان کي استعمال ڪري سگھوٿا مختلف شعبن ۾ نيورو سائنسز کان وٺيمقداري فنانس.

ان جي ڪجهه ايپليڪيشنن ۾ شامل آهن؛

PCA ۽ ICA ٽيڪنڪ استعمال ڪندي نيورو تجزيو.

ڇا ICA اجزاء آرٿوگونل آهن؟

ICA جزا غير آرٿوگونل آهن. آرائشي تبديليون جن جي حل ۾ اعليٰ ترتيب جا انگ اکر آهن.

ڇا پي سي اي اجزاء آزاد آهن؟

PCA جا سڀئي حصا شمارياتي طور تي آزاد آهن.

PCA اجزاء انهن جي وچ ۾ ڪا به اوورليپنگ ڄاڻ نه آهي. ان جا حصا باہمي طور تي آرٿوگونل آهن ۽ سيڪنڊ آرڊر جا انگ اکر شامل آهن.

ڇا PCA لڪير يا غير لڪير؟

PCA هڪ آرٿوگونل لينئر ٽرانسفارميشن آهي.

اهو ڊيٽا کي هڪ نئين ڪوآرڊينيٽ سسٽم ۾ تبديل ڪري ٿو ته جيئن سڀ کان اهم ويرينس پهرين ڪوآرڊينيٽ تي آهي، ٻيو وڏو ويرينس ٻئي ڪوآرڊينيٽ تي، وغيره.

غير لڪير ICA ڇا آهي؟

غير لڪير ICA انهن لڪير متغيرن کي ٻيهر حاصل ڪرڻ جي صلاحيت تي ڌيان ڏئي ٿو جيڪي ڊيٽا پيدا ڪن ٿا، غير نگراني ٿيل نمائندگي جي سکيا جو هڪ بنيادي پاسو.

ڊيٽا کي معاون متغيرن سان وڌايو ويو آهي ، وقت جي انڊيڪس وانگر، ٽائيم سيريز جي تاريخ، يا ٻيو ڪجهه به موجود آهي.

توهان غير لڪير ICA سکي سگهو ٿا صحيح واڌايل ڊيٽا ۽ ڊيٽا جي وچ ۾ فرق ڪنديبي ترتيب ٿيل معاون متغير. لاجسٽڪ ريگريشن ذريعي، فريم ورڪ کي الگورٿمي طريقي سان لاڳو ڪري سگھجي ٿو.

ICA غير گاسي ڇو آھي؟

آءِ سي اي جو هڪ اهم عنصر اهو آهي ته لڪايل عنصر فرض ڪيا ويندا آهن غير گاسين.

آئي سي اي ٻن گاسي عنصرن کي الڳ نه ڪندو ڇو ته اهو نارمليت کان انحراف تي ٻڌل آهي. . ٻن گاسين متغيرن کي ڏنو ويو، اتي ڪو به واحد حل نه آهي هڪ گول گڏيل امڪان لاءِ.

ڪهڙو بهتر آهي؛ ICA يا PCA؟

ٻئي پنهنجي نقطه نظر ۽ استعمال ۾ بهتر آهن.

PCA توهان جي ڊيٽا جي گهٽتائي واري درجي جي نمائندگي ڳولڻ لاءِ اهم آهي، ۽ ICA آزاد ذيلي ڳولڻ لاءِ. توهان جي ڊيٽا جا عنصر. عام ماڻهن جي اصطلاحن ۾، PCA ڊيٽا کي دٻائي ٿو، ۽ ICA ان کي الڳ ڪري ٿو. تنهن ڪري ٻئي ڪارآمد آهن.

Final Thoughts

ICA ۽ PCA اهي ٽيڪنڪون آهن جيڪي پيٿون جي مسئلن کي حل ڪرڻ ۾ استعمال ٿينديون آهن- ٻئي ساڳيا اصولن تي ڪم ڪن ٿا پر مختلف ڪم ڪن ٿا.

ICA توهان جي ڊيٽا جي آزاد ذيلي عنصرن کي ڳولڻ ۾ مدد ڪري ٿي ۽ انهن کي الڳ ڪري ٿي. ان کان علاوه، ICA مليل اجزاء جي وچ ۾ باهمي معلومات کي گھٽائي ٿو ۽ توهان کي آزاد طور تي رکيل اجزاء ڏئي ٿو.

جڏهن ته، PCA ڊيٽا کي دٻائي ٿو ۽ توهان کي آرٿوگونل اجزاء سان گهٽ درجي جي نمائندگي حاصل ڪري ٿو، جيڪو ان پٽ سگنل جي فرق کي وڌائي ٿو. پرنسپل اجزاء سان گڏ.

لاڳاپيل آرٽيڪل

هن آرٽيڪل جو ويب ڪهاڻي ورزن هتي ملي سگهي ٿو.