கணிதம் ஒரு அழகான மற்றும் அற்புதமான அறிவியல், ஆனால் அதன் அழகைப் புரிந்துகொள்ள நீங்கள் படிப்படியாகச் செல்ல வேண்டும். நீங்கள் ஒரே நேரத்தில் எல்லா வழிகளிலும் செல்ல முடியாது. இந்த படிப்படியான மாற்றத்தை எளிதாக்க, நீங்கள் பல சூத்திரங்களையும் முறைகளையும் பயன்படுத்தலாம்.

PCA மற்றும் ICA ஆகியவை ஒரு குறிப்பிட்ட அடிப்படையில் தரவுத் தொகுப்பைப் பிரிக்கப் பயன்படுத்தப்படும் இரண்டு முறைகள். இரண்டு நுட்பங்களும் புதியவற்றைப் பெற ஒரு நேரியல் வழியில் மூலங்களை இணைக்கின்றன. அவை இரண்டும் மிகவும் ஒத்ததாக இருந்தாலும் ஒன்றுக்கொன்று வேறுபட்டவை.

இரண்டு நுட்பங்களுக்கும் இடையே உள்ள மிகவும் நடைமுறை வேறுபாடு என்னவென்றால், உங்கள் தரவின் குறைக்கப்பட்ட-தர பிரதிநிதித்துவத்தைக் கண்டறிய PCA பயனுள்ளதாக இருக்கும். மறுபுறம், ஐசிஏ, உங்கள் தரவின் சுயாதீன துணை கூறுகளைக் கண்டறிவதாகும்.

சாதாரண மனிதர்களின் சொற்களில், பிசிஏ தரவை சுருக்குகிறது, ஐசிஏ அதை பிரிக்கிறது.

இந்த நுட்பங்களைப் பற்றி மேலும் அறிய விரும்பினால், இறுதிவரை படிக்கவும்.

PCA மற்றும் ICA நுட்பங்கள் பல்வேறு சோதனை செயல்முறைகளில் பயன்படுத்தப்படுகின்றன.

PCA என்றால் என்ன?

PCA அல்லது முதன்மைக் கூறு பகுப்பாய்வு என்பது பெரிய தரவுத் தொகுப்புகளின் பரிமாணங்களைக் குறைக்கப் பயன்படும் குறைப்பு முறையாகும்> தரவுத் தொகுப்பின் அளவைக் குறைக்கும் போது, ​​நீங்கள் துல்லியத்தை தியாகம் செய்கிறீர்கள், ஆனால் பரிமாணக் குறைப்பு என்பது எளிமைக்காக துல்லியத்தை தியாகம் செய்வதாகும்.

சிறிய தரவுத் தொகுப்புகளை நீங்கள் எளிதாக ஆராய்ந்து காட்சிப்படுத்தலாம், மேலும் இயந்திர கற்றல் வழிமுறைகள் தரவை மேலும் அணுகக்கூடியதாகவும் வேகமாகவும் பகுப்பாய்வு செய்யலாம்.குறைவான மாறிகள் உள்ளன.

சுருக்கமாக, PCA ஆனது தரவுத் தொகுப்பில் உள்ள மாறிகளின் எண்ணிக்கையைக் குறைக்கும் அதே வேளையில் முடிந்தவரை தகவல்களைப் பாதுகாக்கும்.

ICA என்றால் என்ன?

சுதந்திர உபகரண பகுப்பாய்வு (ICA) என்பது ஒரு புள்ளியியல் நுட்பமாகும், இது சீரற்ற மாறிகள், அளவீடுகள் மற்றும் சமிக்ஞைகளின் தொகுப்புகளுக்குப் பின்னால் மறைந்துள்ள காரணிகளைக் கண்டறியும்.

சுயாதீனமான கூறு பகுப்பாய்வு (ICA) ஒரு கலப்பு சமிக்ஞையை எடுத்து அதை சுயாதீன ஆதாரங்களாக பிரிக்கிறது. நீங்கள் இதை காக்டெய்ல் பார்ட்டி பிரச்சனை அல்லது குருட்டு மூல பிரிப்பு பிரச்சனை என்றும் அழைக்கலாம்.

நீங்கள் காக்டெய்ல் பார்ட்டியில் இருக்கும்போது, ​​ஒவ்வொருவரும் வெவ்வேறு விஷயங்களைப் பற்றிப் பேசுகிறார்கள், ஆனால் உங்கள் மூளையும் காதுகளும் நீங்கள் கேட்க விரும்பும் ஒரு குரலைக் கண்டுபிடித்து அடையாளம் காண முடிகிறது.

அதேபோல், ICA ஆனது சிக்னல்களின் கலவையிலிருந்து ஒவ்வொரு சிக்னலையும் தனித்தனி செய்தியாக பிரிக்க வேலை செய்கிறது.

ICA மற்றும் PCA இடையே உள்ள வேறுபாடு

PCA மற்றும் இடையே உள்ள வேறுபாடுகளின் பட்டியல் இங்கே உள்ளது. உங்களுக்கான ஐசிஏ.

• ஐசிஏ உங்கள் தரவின் சுயாதீன துணை உறுப்புகளைக் கண்டறிவதற்கு நல்லது, அதே நேரத்தில் பிசிஏ உங்களுக்கு குறைந்த தரப் பிரதிநிதித்துவத்தைப் பெறுகிறது.
• PCA தரவை சுருக்குகிறது, அதேசமயம் ICA அதை பிரிக்கிறது.
• PCA இல், கூறுகள் ஆர்த்தோகனல்; ICA இல், அவர்கள் இல்லாமல் இருக்கலாம். ICA இல், நீங்கள் தனித்தனியாக வைக்கப்பட்டுள்ள கூறுகளைத் தேடுகிறீர்கள்.
• PCA உள்ளீட்டு சமிக்ஞை மற்றும் முதன்மைக் கூறுகளின் மாறுபாட்டை அதிகப்படுத்தும் அதே வேளையில், ICA கண்டறியப்பட்ட கூறுகளின் பரஸ்பர தகவலைக் குறைக்கிறது. <9
• PCAஅம்சங்களை மிகவும் குறிப்பிடத்தக்கது முதல் குறைந்த முக்கியத்துவம் வரை தரவரிசைப்படுத்துகிறது. இருப்பினும், ICA இல், கூறுகள் அடிப்படையில் வரிசைப்படுத்தப்படாதவை மற்றும் சமமானவை.
• PCA ஆனது அதிக பொருத்தத்தைத் தடுக்க பரிமாணங்களைக் குறைக்கிறது, அதே நேரத்தில் ICA கலப்பு-சிக்னலை எடுத்து அதன் சுயாதீன ஆதாரங்களின் சமிக்ஞைகளாக மாற்றுகிறது.
• பிசிஏ மாறுபாடுகளை அதிகப்படுத்துவதில் கவனம் செலுத்துகிறது, அதேசமயம் ஐசிஏ மாறுபாடுகளில் கவனம் செலுத்தவில்லை .

PCA மற்றும் ICA பற்றிய விரிவான வீடியோ இதோ.

PCA VS ICA

நீங்கள் எப்போது ICA ஐப் பயன்படுத்தலாம்?

ICA என்பது பல மாறிகளின் விரிவான தரவுத் தொகுப்பை சிறிய எண்ணிக்கையிலான சுய-ஒழுங்கமைக்கப்பட்ட கூறுகளாகக் குறைப்பதற்கான ஒரு வழியாகும்.

ஒரு தரவுத் தொகுப்பு பல மாறிகளைக் கொண்டுள்ளது, எனவே சுதந்திரமானது கூறுகள் பகுப்பாய்வு (ICA) சுய-ஒழுங்கமைக்கப்பட்ட செயல்பாட்டு நெட்வொர்க்குகள் என புரிந்து கொள்ள சிறிய பரிமாணங்களாக குறைக்க பயன்படுத்தப்படுகிறது. இயற்பியல் அல்லாத சமிக்ஞைகளை பகுப்பாய்வு செய்ய நீங்கள் ICA ஐப் பயன்படுத்தலாம்.

அதன் பயன்பாடுகளில் சில அடங்கும்;

• பங்குச் சந்தை விலைகளை கணிக்க 9>
• வானியல் மற்றும் அண்டவியல்
• மொபைல் ஃபோன் தொடர்புகள்

நீங்கள் எப்போது PCA ஐப் பயன்படுத்தலாம்?

பிசிஏ என்பது பட சுருக்கம், முக அங்கீகாரம் மற்றும் கணினி பார்வை களங்களில் பயன்படுத்தப்படும் பரிமாணக் குறைப்பு நுட்பமாகும்.

எந்தவொரு பரிமாணத்தையும் குறைக்கப் பயன்படுத்தப்படும் மிக முக்கியமான அல்காரிதங்களில் இதுவும் ஒன்றாகும். தரவு அதன் அத்தியாவசிய நுணுக்கங்களை இழக்காமல். நரம்பியல் முதல் பல்வேறு துறைகளில் இதைப் பயன்படுத்தலாம்அளவு நிதி.

அதன் சில பயன்பாடுகளில் அடங்கும்;

• முக அங்கீகாரம்
• பட சுருக்கம்
• ஸ்பைக் தூண்டப்பட்ட கோவாரியன்ஸ் பகுப்பாய்வு (நரம்பியல்)
• பயோ இன்ஃபர்மேடிக்ஸ்
• டேட்டா மைனிங்

PCA மற்றும் ICA நுட்பங்களைப் பயன்படுத்தி நரம்பியல் பகுப்பாய்வு.

ICA கூறுகள் ஆர்த்தோகனலா?

ICA கூறுகள் ஆர்த்தோகனல் அல்லாதவை; டிகோரிலேட்டிங் டிரான்ஸ்ஃபார்ம்ஸ் அதன் தீர்வு உயர்-வரிசை புள்ளிவிவரங்களைக் கொண்டுள்ளது.

PCA கூறுகள் சுயாதீனமானதா?

PCA இன் அனைத்து கூறுகளும் புள்ளிவிவர ரீதியாக சுயாதீனமானவை.

PCA கூறுகளுக்கு இடையே ஒன்றுடன் ஒன்று தகவல் இல்லை. அதன் கூறுகள் பரஸ்பர ஆர்த்தோகனல் மற்றும் இரண்டாம் வரிசை புள்ளிவிவரங்களை உள்ளடக்கியது.

பிசிஏ நேரியல் அல்லது நேரியல் அல்லாததா?

PCA என்பது ஒரு ஆர்த்தோகனல் லீனியர் மாற்றமாகும்.

இது தரவை ஒரு புதிய ஒருங்கிணைப்பு அமைப்பாக மாற்றுகிறது, இதனால் மிக முக்கியமான மாறுபாடு முதல் ஒருங்கிணைப்பில் உள்ளது, இரண்டாவது பெரிய மாறுபாடு இரண்டாவது ஒருங்கிணைப்பு மற்றும் பல.

நேரியல் அல்லாத ICA என்றால் என்ன?

நேரியல் அல்லாத ICA ஆனது தரவுகளை உருவாக்கும் மறைந்திருக்கும் மாறிகளை மீட்டெடுக்கும் திறனில் கவனம் செலுத்துகிறது, இது மேற்பார்வை செய்யப்படாத பிரதிநிதித்துவக் கற்றலின் அடிப்படை அம்சமாகும்.

தரவு துணை மாறிகள் மூலம் அதிகரிக்கப்படுகிறது. , நேர அட்டவணை, நேரத் தொடரின் வரலாறு அல்லது கிடைக்கக்கூடிய வேறு எதுவாக இருந்தாலும்.

துல்லியமான ஆக்மென்ட்டட் டேட்டா மற்றும் டேட்டா ஆகியவற்றுக்கு இடையே பாகுபாடு காண்பதன் மூலம் நேரியல் அல்லாத ICA ஐ நீங்கள் கற்றுக்கொள்ளலாம்.சீரற்ற துணை மாறி. லாஜிஸ்டிக் பின்னடைவு மூலம், கட்டமைப்பை அல்காரிதம் முறையில் செயல்படுத்தலாம்.

ஏன் ஐசிஏ காஸியன் அல்ல?

ஐசிஏவின் முக்கிய அம்சம் என்னவென்றால், மறைந்திருக்கும் காரணிகள் காசியன் அல்லாதவை எனக் கருதப்படுகிறது.

ஐசிஏ இரண்டு காஸியன் காரணிகளைப் பிரிக்காது, ஏனெனில் இது இயல்பான தன்மையிலிருந்து விலகலை அடிப்படையாகக் கொண்டது. . இரண்டு காஸியன் மாறிகள் கொடுக்கப்பட்டால், ஒரு வட்ட கூட்டு நிகழ்தகவுக்கு எந்த ஒரு தீர்வும் இல்லை.

எது சிறந்தது; ஐசிஏ அல்லது பிசிஏ?

இரண்டுமே அவற்றின் முன்னோக்கு மற்றும் பயன்பாட்டில் சிறந்தவை.

உங்கள் தரவின் குறைக்கப்பட்ட-தர பிரதிநிதித்துவத்தைக் கண்டறிவதற்கு PCA, மற்றும் சுயாதீன துணையைக் கண்டறிய ICA ஆகியவை குறிப்பிடத்தக்கவை -உங்கள் தரவின் கூறுகள். சாதாரண மனிதனின் சொற்களில், பிசிஏ தரவை சுருக்குகிறது, ஐசிஏ அதை பிரிக்கிறது. எனவே இரண்டும் பயனுள்ளதாக இருக்கும்.

இறுதி எண்ணங்கள்

ICA மற்றும் PCA ஆகியவை பைதான் பிரச்சனைகளை தீர்ப்பதில் பயன்படுத்தப்படும் நுட்பங்கள் - இரண்டும் ஒரே கொள்கையில் வேலை செய்கின்றன ஆனால் வெவ்வேறு செயல்பாடுகளை செய்கின்றன.

ஐசிஏ உங்கள் தரவின் சுயாதீன துணை உறுப்புகளைக் கண்டறிந்து அவற்றைப் பிரிக்க உதவுகிறது. மேலும், ICA கண்டறியப்பட்ட கூறுகளுக்கு இடையே உள்ள பரஸ்பர தகவலைக் குறைத்து, சுயாதீனமாக வைக்கப்பட்டுள்ள கூறுகளை உங்களுக்கு வழங்குகிறது.

இருப்பினும், PCA தரவைச் சுருக்கி, உள்ளீட்டு சமிக்ஞையின் மாறுபாட்டை அதிகப்படுத்தும் ஆர்த்தோகனல் கூறுகளுடன் குறைந்த தரவரிசைப் பிரதிநிதித்துவத்தைப் பெறுகிறது. முக்கிய கூறுகளுடன்.

தொடர்புடைய கட்டுரைகள்

இந்தக் கட்டுரையின் இணையக் கதை பதிப்பை இங்கே காணலாம்.