Matematika je čudovita in vznemirljiva znanost, vendar morate iti korak za korakom, da dojamete njeno lepoto. Ne morete iti vse naenkrat. Za lažji prehod po korakih lahko uporabite več formul in metod.

PCA in ICA sta dve takšni metodi, ki se uporabljata za razdelitev niza podatkov na določeni podlagi. Obe tehniki združujeta vire na linearen način, da bi dobili nove. Obe sta si precej podobni, vendar se med seboj zelo razlikujeta.

Najbolj praktična razlika med obema tehnikama je v tem, da je PCA uporabna za iskanje predstavitve podatkov z zmanjšanim rangom. ICA pa je namenjena iskanju neodvisnih podelementov podatkov.

Poenostavljeno povedano, PCA podatke stisne, ICA pa jih loči.

Če želite izvedeti več o teh tehnikah, preberite do konca.

Tehniki PCA in ICA se uporabljata v različnih postopkih testiranja.

Kaj je PCA?

PCA ali analiza glavnih komponent je metoda zmanjševanja, ki se uporablja za zmanjševanje dimenzij velikih podatkovnih nizov, tako da se spremenijo v manjše, pri čemer se vse potrebne informacije ohranijo nedotaknjene.

Ko zmanjšate velikost podatkovnega niza, žrtvujete natančnost, vendar je zmanjšanje dimenzionalnosti namenjeno žrtvovanju natančnosti za preprostost.

Lažje lahko raziskujete in vizualizirate manjše nabore podatkov, algoritmi strojnega učenja pa lahko podatke analizirajo dostopneje in hitreje, saj je spremenljivk manj.

Če povzamemo, je cilj PCA zmanjšati število spremenljivk v podatkovnem nizu in pri tem ohraniti čim več informacij.

Kaj je ICA?

Analiza neodvisnih komponent (ICA) je statistična tehnika, ki odkriva skrite dejavnike v nizih naključnih spremenljivk, meritev in signalov.

Analiza neodvisnih komponent (ICA) obravnava mešani signal in ga loči na neodvisne vire. Temu lahko rečemo tudi problem koktajl zabave ali problem slepega ločevanja virov.

Na koktajl zabavi vsi govorijo o različnih stvareh, vendar vaši možgani in ušesa še vedno najdejo in prepoznajo en glas, ki ga želite slišati.

Podobno deluje tudi ICA, ki vsak signal iz mešanice signalov loči v neodvisno sporočilo.

Razlika med ICA in PCA

Tukaj je seznam razlik med PCA in ICA.

• ICA je primerna za iskanje neodvisnih podelementov podatkov, PCA pa omogoča predstavitev z zmanjšanim rangom.
• PCA podatke stisne, medtem ko jih ICA ločuje.
• Pri PCA so komponente ortogonalne, pri ICA pa morda niso. Pri ICA iščete neodvisno postavljene komponente.
• Medtem ko PCA maksimizira varianco vhodnega signala in glavnih komponent, ICA minimizira medsebojne informacije med najdenimi komponentami.
• PCA razvršča funkcije od najpomembnejših do najmanj pomembnih. Pri ICA pa so komponente v bistvu neurejene in enake.
• PCA zmanjša dimenzije, da prepreči pretirano prilagajanje, medtem ko ICA vzame mešani signal in ga pretvori v signale neodvisnih virov.
• PCA se osredotoča na maksimiranje varianc, medtem ko ICA ni osredotočena na variance. .

Tukaj je izčrpen videoposnetek o PCA in ICA.

PCA VS ICA

Kdaj lahko uporabite ICA?

ICA je način za zmanjšanje obsežnega nabora podatkov s številnimi spremenljivkami na manjše število samoorganiziranih komponent.

Podatkovni niz je sestavljen iz številnih spremenljivk, zato se analiza neodvisnih komponent (ICA) uporablja za njihovo zmanjšanje na manjše razsežnosti, ki jih je mogoče razumeti kot samoorganizirana funkcionalna omrežja. ICA lahko uporabite za analizo nefizikalnih signalov.

Nekaj njegovih aplikacij vključuje;

• Napovedovanje cen na borzi
• Optično slikanje nevronov
• Prepoznavanje obrazov
• Astronomija in kozmologija
• Komunikacije prek mobilnih telefonov

Kdaj lahko uporabite PCA?

PCA je tehnika zmanjševanja dimenzij, ki se uporablja pri stiskanju slik, prepoznavanju obrazov in računalniškem vidu.

To je eden najpomembnejših algoritmov, ki se uporablja za zmanjšanje dimenzionalnosti katerih koli podatkov, ne da bi pri tem izgubili bistvene podrobnosti. Uporabite ga lahko na različnih področjih, od nevroznanosti do kvantitativnih financ.

Nekatere njegove aplikacije vključujejo;

• Prepoznavanje obraza
• Stiskanje slik
• Analiza kovariance, ki jo sproži trk (nevroznanost)
• Bioinformatika
• Rudarjenje podatkov

Nevroanaliza z uporabo tehnik PCA in ICA.

Ali so komponente ICA ortogonalne?

Komponente ICA so neortogonalne; dekorativne transformacije, katerih rešitev ima statistiko višjega reda.

Ali so komponente PCA neodvisne?

Vse komponente PCA so statistično neodvisne.

Komponente PCA nimajo prekrivajočih se informacij. Njene komponente so medsebojno ortogonalne in vključujejo statistiko drugega reda.

Ali je PCA linearna ali nelinearna?

PCA je ortogonalna linearna transformacija.

Podatke pretvori v nov koordinatni sistem, tako da je najpomembnejše odstopanje na prvi koordinati, drugo največje odstopanje na drugi koordinati in tako naprej.

Kaj je nelinearni ICA?

Nelinearna ICA se osredotoča na sposobnost obnovitve latentnih spremenljivk, ki ustvarjajo podatke, kar je temeljni vidik nenadzorovanega učenja predstavitev.

Podatki so dopolnjeni s pomožnimi spremenljivkami, kot so časovni indeks, zgodovina časovne vrste ali kar koli drugega, kar je na voljo.

Nelinearnega ICA se lahko naučite z razlikovanjem med natančnimi razširjenimi podatki in podatki z naključno pomožno spremenljivko. Z logistično regresijo je mogoče okvir algoritmično izvajati.

Zakaj ICA ni Gaussova?

Ključni element ICA je, da se predpostavlja, da latentni dejavniki niso Gaussovi.

ICA ne bo ločila dveh Gaussovih dejavnikov, saj temelji na odstopanju od normalnosti. Glede na dve Gaussovi spremenljivki ni enotne rešitve za krožno skupno verjetnost.

Katera metoda je boljša: ICA ali PCA?

Oba sta boljša z vidika perspektive in uporabe.

PCA je pomemben za iskanje predstavitve podatkov z zmanjšanim rangom, ICA pa za iskanje neodvisnih podelementov podatkov. Poenostavljeno povedano, PCA podatke stisne, ICA pa jih loči. Zato sta uporabna oba načina.

Končne misli

ICA in PCA sta tehniki, ki se uporabljata pri reševanju problemov v jeziku python - obe delujeta po podobnih načelih, vendar opravljata različne funkcije.

ICA pomaga pri iskanju neodvisnih podelementov vaših podatkov in jih ločuje. Poleg tega ICA zmanjšuje vzajemne informacije med najdenimi komponentami in zagotavlja neodvisno postavljene komponente.

Vendar PCA stisne podatke in dobi predstavitev z zmanjšanim rangom z ortogonalnimi komponentami, ki skupaj z glavnimi komponentami maksimira varianco vhodnega signala.

Sorodni članki

Različica tega članka v obliki spletne zgodbe je na voljo tukaj.