ගණිතය යනු සුන්දර හා උද්වේගකර විද්‍යාවකි, නමුත් එහි සුන්දරත්වය ග්‍රහණය කර ගැනීමට ඔබ පියවරෙන් පියවර යා යුතුය. ඔබට එකවරම යා නොහැක. මෙම පියවරෙන් පියවර සංක්රමණය පහසු කිරීම සඳහා, ඔබට සූත්ර සහ ක්රම කිහිපයක් භාවිතා කළ හැකිය.

PCA සහ ICA යනු දත්ත කට්ටලයක් නිශ්චිත පදනමක් මත බෙදීමට භාවිතා කරන එවැනි ක්‍රම දෙකකි. මෙම ශිල්පීය ක්‍රම දෙකම නව ඒවා ලබා ගැනීම සඳහා ප්‍රභවයන් රේඛීය ආකාරයෙන් ඒකාබද්ධ කරයි. ඔවුන් දෙදෙනාම බොහෝ දුරට සමාන නමුත් එකිනෙකට වඩා බෙහෙවින් වෙනස් ය.

මෙම තාක්ෂණික ක්‍රම දෙක අතර ඇති වඩාත්ම ප්‍රායෝගික වෙනස වන්නේ ඔබේ දත්තවල අඩු ශ්‍රේණිගත නියෝජනයක් සොයා ගැනීමට PCA ප්‍රයෝජනවත් වීමයි. අනෙක් අතට, ICA යනු ඔබේ දත්තවල ස්වාධීන උප-මූලද්‍රව්‍ය සොයා ගැනීම සඳහා ය.

ගිහියන්ගේ වචන වලින්, PCA දත්ත සම්පීඩනය කරයි, සහ ICA එය වෙන් කරයි.

ඔබට මෙම ශිල්පීය ක්‍රම ගැන වැඩි විස්තර දැන ගැනීමට අවශ්‍ය නම්, අවසානය දක්වා කියවන්න.

PCA සහ ICA ශිල්පීය ක්‍රම විවිධ පරීක්ෂණ ක්‍රියාවලීන්හි භාවිතා වේ.

PCA යනු කුමක්ද?

PCA හෝ ප්‍රධාන සංරචක විශ්ලේෂණය යනු විශාල දත්ත කට්ටල කුඩා ඒවා බවට පත් කිරීමෙන් සහ අවශ්‍ය සියලු තොරතුරු නොවෙනස්ව තබා ගැනීමෙන් ඒවායේ මානයන් අඩු කිරීමට භාවිතා කරන අඩු කිරීමේ ක්‍රමයකි.

ඔබ දත්ත කට්ටලයක ප්‍රමාණය අඩු කරන විට, ඔබ නිරවද්‍යතාවය කැප කරයි, නමුත් මානයන් අඩු කිරීම යනු සරල බව සඳහා නිරවද්‍යතාවය කැප කිරීමයි.

ඔබට කුඩා දත්ත කට්ටල පහසුවෙන් ගවේෂණය කර දෘශ්‍යමාන කළ හැකි අතර යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතම මඟින් දත්ත වඩාත් ප්‍රවේශ විය හැකි සහ වේගවත්ව විශ්ලේෂණය කළ හැකඅඩු විචල්‍යයන් ඇත.

සාරාංශගත කිරීම සඳහා, හැකිතාක් තොරතුරු සංරක්ෂණය කරමින් දත්ත කට්ටලයක ඇති විචල්‍ය සංඛ්‍යාව අඩු කිරීම PCA අරමුණු කරයි.

ICA යනු කුමක්ද?

ස්වාධීන සංරචක විශ්ලේෂණය (ICA) යනු අහඹු විචල්‍ය, මිනුම් සහ සංඥා කට්ටල පිටුපස සැඟවුණු සාධක අනාවරණය කරන සංඛ්‍යානමය තාක්‍ෂණයකි.

ස්වාධීන සංරචක විශ්ලේෂණය (ICA) මිශ්‍ර සංඥාවක් ගෙන එය ස්වාධීන මූලාශ්‍රවලට වෙන් කරයි. ඔබට එය කොක්ටේල් සාද ගැටලුවක් හෝ අන්ධ මූලාශ්‍ර වෙන් කිරීමේ ගැටලුවක් ලෙසද හැඳින්විය හැක.

ඔබ කොක්ටේල් සාදයක ​​සිටින විට, සෑම කෙනෙකුම විවිධ දේවල් ගැන කතා කරයි, නමුත් ඔබේ මොළය සහ කන් තවමත් ඔබට ඇසීමට අවශ්‍ය තනි හඬක් සොයා හඳුනා ගැනීමට සමත් වේ.

ඒ හා සමානව, ICA සෑම සංඥාවක්ම සංඥා මිශ්‍රණයකින් ස්වාධීන පණිවිඩයකට වෙන් කිරීමට ක්‍රියා කරයි.

ICA සහ PCA අතර වෙනස

මෙන්න PCA සහ අතර වෙනස්කම් ලැයිස්තුවක් ICA ඔබ වෙනුවෙන්.

• ICA ඔබේ දත්තවල ස්වාධීන උප-මූලද්‍රව්‍ය සොයා ගැනීමට හොඳයි, PCA ඔබට අඩු ශ්‍රේණියේ නියෝජනයක් ලබා දෙයි.
• PCA දත්ත සම්පීඩනය කරන අතර ICA එය වෙන් කරයි.
• PCA හි, සංරචක විකලාංග වේ; ICA හි, ඒවා නොවිය හැක. ICA හි, ඔබ ස්වාධීනව ස්ථානගත කර ඇති සංරචක සොයමින් සිටී.
• PCA ආදාන සංඥාවේ සහ ප්‍රධාන සංරචකවල විචලනය උපරිම කරන අතර, ICA විසින් සොයාගත් සංරචක අතර අන්‍යෝන්‍ය තොරතුරු අවම කරයි. <9
• PCAවිශේෂාංග වඩාත් වැදගත් සිට අවම වැදගත් දක්වා ශ්‍රේණිගත කරයි. කෙසේ වෙතත්, ICA හි, සංරචක අත්‍යවශ්‍යයෙන්ම අනුපිළිවෙලට නොපැමිණෙන අතර සමාන වේ.
• PCA අධික ලෙස ගැලපීම වැළැක්වීම සඳහා මානයන් අඩු කරන අතර, ICA මිශ්‍ර-සංඥාව ගෙන එය එහි ස්වාධීන මූලාශ්‍ර සංඥා බවට පත් කරයි.
• PCA විචල්‍යයන් උපරිම කිරීම කෙරෙහි අවධානය යොමු කර ඇති අතර, ICA විචලනය කෙරෙහි අවධානය යොමු කර නැත.

මෙන්න PCA සහ ICA ගැන සවිස්තරාත්මක වීඩියෝවක්.

PCA VS ICA

ඔබට ICA භාවිතා කළ හැක්කේ කවදාද?

ICA යනු බොහෝ විචල්‍යවල විස්තීරණ දත්ත කට්ටලයක් ස්වයං-සංවිධානාත්මක සංරචක කුඩා සංඛ්‍යාවකට අඩු කිරීමේ ක්‍රමයකි.

දත්ත කට්ටලයක් බොහෝ විචල්‍යයන්ගෙන් සමන්විත වේ, එබැවින් ස්වාධීන සංරචක විශ්ලේෂණය (ICA) ස්වයං-සංවිධානාත්මක ක්‍රියාකාරී ජාල ලෙස තේරුම් ගැනීමට කුඩා මානයන් බවට අඩු කිරීමට භාවිතා කරයි. භෞතික නොවන සංඥා විශ්ලේෂණය කිරීමට ඔබට ICA භාවිතා කළ හැක.

එහි යෙදුම් කිහිපයක් ඇතුළත් වේ;

• කොටස් වෙලඳපොල මිල පුරෝකථනය කරන්න
• නියුරෝනවල දෘශ්‍ය රූප
• මුහුණු හඳුනාගැනීම
• තාරකා විද්‍යාව සහ විශ්ව විද්‍යාව
• ජංගම දුරකථන සන්නිවේදනය

ඔබට PCA භාවිතා කළ හැක්කේ කවදාද?

PCA යනු රූප සම්පීඩනය, මුහුණු හඳුනාගැනීම සහ පරිගණක දෘෂ්ඨි වසම් වල භාවිතා වන මානයන් අඩු කිරීමේ ක්‍රමයකි.

එය ඕනෑම දෙයක මානයන් අඩු කිරීම සඳහා භාවිතා කරන ඉතාමත් තීරණාත්මක ඇල්ගොරිතමයකි. දත්ත එහි අත්‍යවශ්‍ය තොරතුරු අහිමි නොවී. ඔබට එය ස්නායු විද්‍යාවේ සිට විවිධ ක්ෂේත්‍රවල භාවිතා කළ හැකියප්රමාණාත්මක මූල්ය.

එහි සමහර යෙදුම් ඇතුළත් වේ;

• මුහුණු හඳුනාගැනීම
• රූප සම්පීඩනය
• ස්පයික් ප්‍රේරණය කරන ලද සහජීවන විශ්ලේෂණය (ස්නායු විද්‍යාව)
• Bioinformatics
• Data mining

PCA සහ ICA ශිල්පීය ක්‍රම භාවිතයෙන් ස්නායු විශ්ලේෂණය.

ICA සංරචක විකලාංගද?

ICA සංරචක විකලාංග නොවන; විසඳුමේ ඉහළ පෙළේ සංඛ්‍යාලේඛන ඇති පරිවර්තනයන් විසංයෝජනය කිරීම.

PCA සංරචක ස්වාධීනද?

PCA හි සියලුම සංරචක සංඛ්‍යානමය වශයෙන් ස්වාධීන වේ.

PCA සංරචක ඒවා අතර අතිච්ඡාදනය වන තොරතුරු නොමැත. එහි සංරචක අන්‍යෝන්‍ය වශයෙන් විකලාංග වන අතර දෙවන පෙළ සංඛ්‍යාලේඛන ඇතුළත් වේ.

PCA රේඛීය ද රේඛීය නොවන ද?

PCA යනු විකලාංග රේඛීය පරිවර්තනයකි.

එය දත්ත නව ඛණ්ඩාංක පද්ධතියක් බවට පරිවර්තනය කරයි, එවිට වඩාත්ම වැදගත් විචලනය පළමු ඛණ්ඩාංකය මත, දෙවන විශාලතම විචලනය වේ. දෙවන ඛණ්ඩාංකය මත, සහ එසේ ය.

රේඛීය නොවන ICA යනු කුමක්ද?

රේඛීය නොවන ICA අවධානය යොමු කරන්නේ දත්ත උත්පාදනය කරන ගුප්ත විචල්‍යයන් ප්‍රතිසාධනය කිරීමේ හැකියාව, අධීක්ෂණය නොකළ නියෝජන ඉගෙනීමේ මූලික අංගයකි.

දත්ත සහායක විචල්‍යයන් සමඟින් වැඩි වේ. , කාල දර්ශකය, කාල ශ්‍රේණියේ ඉතිහාසය, හෝ ලබා ගත හැකි වෙනත් ඕනෑම දෙයක් වැනි.

නිවැරදි වැඩි දියුණු කළ දත්ත සහ දත්ත අතර වෙනස හඳුනා ගැනීමෙන් ඔබට රේඛීය නොවන ICA ඉගෙන ගත හැකසසම්භාවී සහායක විචල්‍යය. ලොජිස්ටික් ප්‍රතිගමනය හරහා, රාමුව ඇල්ගොරිතම ලෙස ක්‍රියාත්මක කළ හැක.

ICA Gaussian නොවන ඇයි?

ICA හි ප්‍රධාන අංගයක් වන්නේ ගුප්ත සාධක ගවුසියානු නොවන බවට උපකල්පනය කිරීමයි.

ICA සාමාන්‍ය තත්ත්වයෙන් බැහැරවීම මත පදනම් වන බැවින් Gaussian සාධක දෙකක් වෙන් නොකරයි. . Gaussian විචල්‍යයන් දෙකක් ලබා දී ඇති විට, වෘත්තාකාර සන්ධි සම්භාවිතාවක් සඳහා තනි විසඳුමක් නොමැත.

වඩා හොඳ කුමක්ද; ICA හෝ PCA?

දෙකම ඔවුන්ගේ ඉදිරිදර්ශනය සහ භාවිතය අනුව වඩා හොඳ වේ.

PCA ඔබේ දත්තවල අඩු ශ්‍රේණිගත නියෝජනයක් සොයා ගැනීම සඳහා සහ ICA ස්වාධීන උප සොයා ගැනීම සඳහා වැදගත් වේ. - ඔබගේ දත්තවල මූලිකාංග. ගිහියන්ගේ නියමයන් අනුව, PCA දත්ත සම්පීඩනය කරයි, සහ ICA එය වෙන් කරයි. එබැවින් දෙකම ප්‍රයෝජනවත් වේ.

අවසාන සිතුවිලි

ICA සහ PCA යනු පයිතන් ගැටළු විසඳීම සඳහා භාවිතා කරන ශිල්පීය ක්‍රම වේ - දෙකම සමාන මූලධර්ම මත ක්‍රියා කරන නමුත් විවිධ කාර්යයන් ඉටු කරයි.

ICA ඔබේ දත්තවල ස්වාධීන උප මූලද්‍රව්‍ය සොයා ගැනීමට සහ ඒවා වෙන් කිරීමට උදවු කරයි. එපමනක් නොව, ICA විසින් සොයාගත් සංරචක අතර අන්‍යෝන්‍ය තොරතුරු අවම කර ඔබට ස්වාධීනව ස්ථානගත කරන ලද සංරචක ලබා දෙයි.

කෙසේ වෙතත්, PCA දත්ත සම්පීඩනය කර ඔබට විකලාංග සංරචක සමඟ අඩු ශ්‍රේණිගත නියෝජනයක් ලබා දෙයි, එය ආදාන සංඥාවේ විචලනය උපරිම කරයි. ප්රධාන සංරචක සමඟ.

අදාළ ලිපි

මෙම ලිපියේ වෙබ් කතන්දර අනුවාදය මෙතැනින් සොයා ගත හැක.