Ang matematika ay isang maganda at kapana-panabik na agham, ngunit kailangan mong hakbang-hakbang upang maunawaan ang kagandahan nito. Hindi ka maaaring pumunta nang sabay-sabay. Upang mapagaan ang step-by-step na paglipat na ito, maaari kang gumamit ng ilang mga formula at pamamaraan.

Ang PCA at ICA ay dalawang ganoong paraan na ginagamit upang hatiin ang isang set ng data sa isang partikular na batayan. Pinagsasama ng parehong mga diskarte ang mga mapagkukunan sa isang linear na paraan upang makakuha ng mga bago. Pareho silang magkapareho ngunit ibang-iba sa isa't isa.

Ang pinakapraktikal na pagkakaiba sa pagitan ng parehong mga diskarte ay ang PCA ay kapaki-pakinabang para sa paghahanap ng isang pinababang-ranggo na representasyon ng iyong data. Ang ICA, sa kabilang banda, ay para sa paghahanap ng mga independiyenteng sub-element ng iyong data.

Sa mga termino ng karaniwang tao, kino-compress ng PCA ang data, at pinaghihiwalay ito ng ICA.

Kung gusto mong malaman ang higit pa tungkol sa mga diskarteng ito, basahin hanggang sa huli.

Ang mga diskarte ng PCA at ICA ay ginagamit sa iba't ibang proseso ng pagsubok.

Ano ang PCA?

Ang PCA o Principal Component Analysis ay isang paraan ng pagbabawas na ginagamit upang bawasan ang mga dimensyon ng malalaking set ng data sa pamamagitan ng pagpapalit ng mga ito sa mas maliit at pagpapanatiling buo ng lahat ng kinakailangang impormasyon.

Kapag binawasan mo ang laki ng isang set ng data, isinasakripisyo mo ang katumpakan, ngunit ang pagbawas sa dimensionality ay tungkol sa pagsasakripisyo ng katumpakan para sa pagiging simple.

Maaari mong i-explore at i-visualize ang mas maliliit na set ng data nang mas madali, at ang mga machine learning algorithm ay makakapag-analisa ng data na mas naa-access at mas mabilis dahilmay mas kaunting mga variable.

Upang buod, nilalayon ng PCA na bawasan ang bilang ng mga variable sa isang set ng data habang pinapanatili ang mas maraming impormasyon hangga't maaari.

Ano ang ICA?

Ang Independent Component Analysis (ICA) ay isang istatistikal na pamamaraan na nagbubunyag ng mga nakatagong salik sa likod ng mga hanay ng mga random na variable, sukat, at signal.

Ang Independent Component Analysis (ICA) ay kumukuha ng magkahalong signal at pinaghihiwalay ito sa mga independiyenteng pinagmumulan. Maaari mo ring tawaging problema sa cocktail party o blind source separation problem.

Kapag nasa cocktail party ka, iba't ibang bagay ang pinag-uusapan ng lahat, ngunit nagagawa pa rin ng iyong utak at tainga na mahanap at matukoy ang isang boses na gusto mong marinig.

Katulad nito, gumagana ang ICA upang paghiwalayin ang bawat signal mula sa pinaghalong signal sa isang independiyenteng mensahe.

Pagkakaiba sa Pagitan ng ICA At PCA

Narito ang isang listahan ng mga pagkakaiba sa pagitan ng PCA at ICA para sa iyo.

• Ang ICA ay mahusay para sa paghahanap ng mga independiyenteng sub-element ng iyong data, habang binibigyan ka ng PCA ng representasyon na may pinababang ranggo.
• Pina-compress ng PCA ang data, samantalang pinaghihiwalay ito ng ICA.
• Sa PCA, orthogonal ang mga bahagi; sa ICA, maaaring hindi sila. Sa ICA, naghahanap ka ng mga independiyenteng inilagay na bahagi.
• Habang pinalaki ng PCA ang pagkakaiba-iba ng signal ng input at mga pangunahing bahagi, pinapaliit ng ICA ang magkaparehong impormasyon sa mga natagpuang bahagi.
• PCAniraranggo ang mga tampok mula sa pinakamahalaga hanggang sa hindi gaanong makabuluhan. Gayunpaman, sa ICA, ang mga bahagi ay mahalagang hindi ayos at pantay.
• Pinababawasan ng PCA ang mga dimensyon upang maiwasan ang overfitting, habang kinukuha ng ICA ang mixed-signal at ginagawa itong mga signal ng mga independiyenteng pinagmulan nito.
• Ang PCA ay nakatuon sa pag-maximize ng mga pagkakaiba-iba, samantalang ang ICA ay hindi nakatuon sa pagkakaiba-iba .

Narito ang isang komprehensibong video tungkol sa PCA at ICA.

PCA VS ICA

Kailan Mo Magagamit ang ICA?

Ang ICA ay isang paraan upang bawasan ang isang malawak na set ng data ng maraming mga variable sa mas maliit na bilang ng mga self-organized na bahagi.

Ang isang set ng data ay binubuo ng maraming mga variable, kaya Independent Ginagamit ang Components Analysis (ICA) upang bawasan ang mga ito sa mas maliliit na dimensyon upang maunawaan bilang mga self-organized na functional network. Maaari mong gamitin ang ICA para pag-aralan ang mga hindi pisikal na signal.

Kabilang ang ilan sa mga application nito;

• Hulaan ang mga presyo ng stock market
• Optical imaging ng mga neuron
• Pagkilala sa mukha
• Astronomy at kosmolohiya
• Mga komunikasyon sa mobile phone

Kailan Mo Magagamit ang PCA?

Ang PCA ay isang diskarte sa pagbabawas ng dimensyon na ginagamit sa compression ng imahe, pagkilala sa mukha, at computer vision na mga domain.

Ito ay isa sa mga pinakamahalagang algorithm na ginagamit para sa pagbawas ng dimensionalidad ng anumang data nang hindi nawawala ang mahahalagang impormasyon nito. Magagamit mo ito sa iba't ibang larangan mula sa neurosciences hanggangdami ng pananalapi.

Kabilang ang ilan sa mga application nito;

• Pagkilala sa mukha
• Pag-compress ng larawan
• Pagsusuri ng covariance na na-trigger ng spike (Neurosciences)
• Bioinformatics
• Data mining

Neuro analysis gamit ang PCA at ICA techniques.

Orthogonal ba ang ICA Components?

Ang mga bahagi ng ICA ay hindi orthogonal; decorrelated transforms na ang solusyon ay may mas mataas na pagkakasunod-sunod na istatistika.

Independent ba ang mga PCA Components?

Lahat ng bahagi ng PCA ay independiyente sa istatistika.

Ang mga bahagi ng PCA ay walang anumang magkakapatong na impormasyon sa pagitan ng mga ito. Ang mga bahagi nito ay magkaparehong orthogonal at may kasamang pangalawang-order na istatistika.

Linear ba o Non-Linear ang PCA?

Ang PCA ay isang orthogonal linear transformation.

Binabago nito ang data sa isang bagong coordinate system upang ang pinakamahalagang pagkakaiba ay nasa unang coordinate, ang pangalawang pinakamalaking variance sa pangalawang coordinate, at iba pa.

Ano ang Non-Linear ICA?

Nakatuon ang Non-Linear ICA sa kakayahang i-recover ang mga nakatagong variable na bumubuo ng data, isang pangunahing aspeto ng hindi pinangangasiwaang pag-aaral ng representasyon.

Ang data ay dinadagdagan ng mga auxiliary na variable , tulad ng index ng oras, kasaysayan ng serye ng oras, o anumang iba pang magagamit.

Maaari kang matuto ng nonlinear na ICA sa pamamagitan ng pagtatangi sa pagitan ng tumpak na augmented data at data na mayrandomized na auxiliary variable. Sa pamamagitan ng logistic regression, ang balangkas ay maaaring ipatupad ayon sa algorithm.

Bakit Hindi Gaussian ang ICA?

Ang pangunahing elemento ng ICA ay ang mga nakatagong salik ay ipinapalagay na hindi Gaussian.

Hindi paghiwalayin ng ICA ang dalawang salik na Gaussian dahil ito ay nakabatay sa paglihis mula sa normalidad. . Dahil sa dalawang Gaussian variable, walang solong solusyon para sa isang circular joint probability.

Alin ang mas mahusay; ICA o PCA?

Parehong mas mahusay sa kanilang pananaw at paggamit.

Mahalaga ang PCA para sa paghahanap ng representasyong may pinababang ranggo ng iyong data, at ICA para sa paghahanap ng independiyenteng sub -mga elemento ng iyong data. Sa mga termino ng karaniwang tao, ang PCA ay nag-compress ng data, at ang ICA ay naghihiwalay dito. Kaya parehong kapaki-pakinabang.

Mga Pangwakas na Kaisipan

Ang ICA at PCA ay mga diskarteng ginagamit sa paglutas ng mga problema sa python – parehong gumagana sa magkatulad na mga prinsipyo ngunit gumaganap ng magkaibang mga function.

Tumutulong ang ICA sa paghahanap ng mga independiyenteng sub-element ng iyong data at pinaghihiwalay ang mga ito. Bukod dito, pinapaliit ng ICA ang mutual na impormasyon sa mga bahaging natagpuan at binibigyan ka ng mga bahaging independiyenteng inilagay.

Gayunpaman, kino-compress ng PCA ang data at binibigyan ka ng representasyong may pinababang ranggo na may mga bahaging orthogonal, na nagma-maximize sa pagkakaiba-iba ng input signal kasama ang mga pangunahing sangkap.

Mga Kaugnay na Artikulo

Matatagpuan dito ang bersyon ng web story ng artikulong ito.