Matematik är en vacker och spännande vetenskap, men du måste gå steg för steg för att förstå dess skönhet. Du kan inte gå hela vägen på en gång. För att underlätta denna stegvisa övergång kan du använda flera formler och metoder.

PCA och ICA är två sådana metoder som används för att dela upp en datamängd på en viss grund. Båda metoderna kombinerar källor på ett linjärt sätt för att få fram nya källor. De är ganska lika men ändå mycket olika varandra.

Den mest praktiska skillnaden mellan de båda teknikerna är att PCA är användbar för att hitta en representation av data med reducerad rang, medan ICA å andra sidan är till för att hitta oberoende delelement av data.

I lekmannatermer kan man säga att PCA komprimerar data och ICA separerar dem.

Om du vill veta mer om dessa tekniker, läs till slutet.

PCA- och ICA-tekniker används i olika testprocesser.

Vad är PCA?

PCA (Principal Component Analysis) är en reduktionsmetod som används för att minska dimensionerna i stora datamängder genom att omvandla dem till mindre dimensioner och behålla all nödvändig information intakt.

När du minskar storleken på en datamängd offrar du noggrannhet, men dimensionalitetsreduktion handlar om att offra noggrannhet för enkelhet.

Det är lättare att utforska och visualisera mindre datamängder, och algoritmer för maskininlärning kan analysera data på ett mer lättillgängligt och snabbare sätt eftersom det finns färre variabler.

Sammanfattningsvis syftar PCA till att minska antalet variabler i en datamängd och samtidigt bevara så mycket information som möjligt.

Vad är ICA?

ICA (Independent Component Analysis) är en statistisk teknik som avslöjar dolda faktorer bakom uppsättningar av slumpmässiga variabler, mätningar och signaler.

Med Independent Component Analysis (ICA) tar man en blandad signal och separerar den i oberoende källor. Man kan också kalla det ett cocktailpartyproblem eller ett problem med blind källseparation.

När du är på ett cocktailparty pratar alla om olika saker, men din hjärna och dina öron lyckas ändå hitta och identifiera en enda röst som du vill höra.

På samma sätt arbetar ICA för att separera varje signal från en blandning av signaler till ett oberoende meddelande.

Skillnaden mellan ICA och PCA

Här är en lista över skillnaderna mellan PCA och ICA.

• ICA är bra för att hitta oberoende delelement i data, medan PCA ger dig en representation med reducerad rang.
• PCA komprimerar data, medan ICA separerar dem.
• I PCA är komponenterna ortogonala, i ICA är de kanske inte det. I ICA letar du efter oberoende komponenter.
• Medan PCA maximerar variansen mellan insignalen och huvudkomponenterna, minimerar ICA den ömsesidiga informationen mellan de funna komponenterna.
• PCA rangordnar funktionerna från mest betydelsefulla till minst betydelsefulla, men i ICA är komponenterna i princip oordnade och lika.
• PCA minskar dimensionerna för att förhindra överanpassning, medan ICA tar den blandade signalen och omvandlar den till de oberoende källornas signaler.
• PCA är inriktad på att maximera varianserna, medan ICA inte är koncentrerad på varianserna. .

Här finns en omfattande video om PCA och ICA.

PCA VS ICA

När kan du använda ICA?

ICA är ett sätt att reducera en omfattande datamängd med många variabler till ett mindre antal självorganiserade komponenter.

En datamängd består av många variabler, så ICA (Independent Components Analysis) används för att reducera dem till mindre dimensioner som kan förstås som självorganiserade funktionella nätverk. Du kan använda ICA för att analysera icke-fysiska signaler.

Några av dess användningsområden är;

• Förutsäga börskurserna på aktiemarknaden
• Optisk avbildning av neuroner
• Ansiktsigenkänning
• Astronomi och kosmologi
• Mobiltelefonkommunikation

När kan du använda PCA?

PCA är en teknik för dimensionsminskning som används inom bildkomprimering, ansiktsigenkänning och datorseende.

Det är en av de mest kritiska algoritmerna som används för att reducera dimensionaliteten i data utan att förlora viktiga delar. Du kan använda den inom olika områden, från neurovetenskap till kvantitativ finansiering.

Några av dess användningsområden är;

• Ansiktsigenkänning
• Komprimering av bilder
• Spikutlöst kovariansanalys (Neurovetenskap)
• Bioinformatik
• Datautvinning

Neuroanalys med hjälp av PCA- och ICA-teknik.

Är ICA-komponenter ortogonala?

ICA-komponenterna är icke-ortogonala, dekorrelerande omvandlingar vars lösning har statistik av högre ordning.

Är PCA-komponenterna oberoende?

Alla komponenter i PCA är statistiskt oberoende.

PCA-komponenterna har ingen överlappande information mellan sig. Komponenterna är ömsesidigt ortogonala och omfattar statistik av andra ordningen.

Är PCA linjärt eller icke-linjärt?

PCA är en ortogonal linjär omvandling.

Den omvandlar uppgifterna till ett nytt koordinatsystem så att den största avvikelsen ligger på den första koordinaten, den näst största avvikelsen på den andra koordinaten och så vidare.

Vad är icke-linjär ICA?

Icke linjär ICA fokuserar på förmågan att återskapa de latenta variabler som genererar data, vilket är en grundläggande aspekt av oövervakad inlärning av representationer.

Uppgifterna kompletteras med hjälpvariabler, t.ex. tidsindex, tidsseriens historik eller vad som helst annat som är tillgängligt.

Man kan lära sig icke-linjär ICA genom att skilja mellan korrekta förstärkta data och data med en slumpmässig hjälpvariabel. Genom logistisk regression kan ramverket implementeras algoritmiskt.

Varför är ICA icke-gaussiskt?

En viktig del av ICA är att latenta faktorer antas vara icke-Gaussianska.

ICA kommer inte att separera två gaussiska faktorer eftersom den bygger på avvikelse från normalitet. Med två gaussiska variabler finns det ingen enda lösning för en cirkulär gemensam sannolikhet.

Vilket är bäst: ICA eller PCA?

Båda är bättre i sitt perspektiv och sin användning.

PCA är viktigt för att hitta en representation av data med reducerad rang och ICA för att hitta oberoende delelement av data. I lekmannatermer komprimerar PCA data och ICA separerar dem, så båda är användbara.

Slutliga tankar

ICA och PCA är tekniker som används för att lösa pythonproblem - båda bygger på liknande principer men har olika funktioner.

ICA hjälper till att hitta oberoende delelement i data och separera dem. ICA minimerar dessutom den ömsesidiga informationen mellan de komponenter som hittats och ger dig oberoende komponenter.

PCA komprimerar dock data och ger dig en representation med reducerad rang med ortogonala komponenter, vilket maximerar variansen hos insignalen tillsammans med huvudkomponenterna.

Relaterade artiklar

Webbhistoriaversionen av denna artikel finns här.