PCA VS ICA (farqni biling) - barcha farqlar
Mundarija
Matematika go'zal va hayajonli fan, lekin uning go'zalligini tushunish uchun bosqichma-bosqich borish kerak. Siz bir vaqtning o'zida hamma yo'lga bora olmaysiz. Ushbu bosqichma-bosqich o'tishni engillashtirish uchun siz bir nechta formulalar va usullardan foydalanishingiz mumkin.
PCA va ICA ma'lumotlar to'plamini muayyan asosda bo'lish uchun ishlatiladigan ikkita shunday usuldir. Ikkala usul ham yangilarini olish uchun manbalarni chiziqli tarzda birlashtiradi. Ularning ikkalasi ham bir-biriga juda o'xshash, lekin bir-biridan juda farq qiladi.
Ikkala texnika o'rtasidagi eng amaliy farq shundaki, PCA ma'lumotlaringizning past darajali vakilini topish uchun foydalidir. Boshqa tomondan, ICA ma'lumotlaringizning mustaqil sub-elementlarini topish uchun mo'ljallangan.
Oddiy til bilan aytganda, PCA ma'lumotlarni siqadi va ICA ularni ajratadi.
Agar siz ushbu texnikalar haqida ko'proq bilmoqchi bo'lsangiz, oxirigacha o'qing.
PCA va ICA texnikasi turli test jarayonlarida qo'llaniladi.
PCA nima?
PCA yoki asosiy komponentlar tahlili - bu katta ma'lumotlar to'plamlarining o'lchamlarini kichikroqlarga o'zgartirish va barcha kerakli ma'lumotlarni saqlab qolish orqali kamaytirish uchun ishlatiladigan qisqartirish usuli.
Ma’lumotlar to‘plami hajmini kichraytirganingizda, siz aniqlikni qurbon qilasiz, lekin o‘lchamlarni qisqartirish oddiylik uchun aniqlikni qurbon qilish bilan bog‘liq.
Kichikroq ma'lumotlar to'plamlarini osonroq o'rganishingiz va vizualizatsiya qilishingiz mumkin, mashinani o'rganish algoritmlari esa ma'lumotlarni yanada qulayroq va tezroq tahlil qilishi mumkin, chunkio'zgaruvchilar kamroq.
Xulosa qilib aytadigan bo'lsak, PCA imkon qadar ko'proq ma'lumotni saqlagan holda ma'lumotlar to'plamidagi o'zgaruvchilar sonini kamaytirishga qaratilgan.
ICA nima?
Mustaqil komponent tahlili (ICA) tasodifiy o'zgaruvchilar, o'lchovlar va signallar to'plami ortida yashirin omillarni ochib beruvchi statistik usuldir.
Mustaqil komponentlar tahlili (ICA) aralash signalni oladi va uni mustaqil manbalarga ajratadi. Siz buni kokteyl partiyasi muammosi yoki ko'r-ko'rona manba ajratish muammosi deb atashingiz mumkin.
Mexnat ziyofatida bo'lganingizda, hamma har xil narsalar haqida gapiradi, lekin sizning miyangiz va quloqlaringiz hali ham siz eshitmoqchi bo'lgan bitta ovozni topish va aniqlashga muvaffaq bo'ladi.
Shunga o'xshab, ICA har bir signalni signallar aralashmasidan mustaqil xabarga ajratish uchun ishlaydi.
ICA va PCA o'rtasidagi farq
Bu erda PCA va PCA o'rtasidagi farqlar ro'yxati keltirilgan. ICA siz uchun.
- ICA ma'lumotlaringizning mustaqil sub-elementlarini topish uchun yaxshi, PCA esa sizga past darajali taqdimotni oladi.
- PCA ma'lumotlarni siqadi, ICA esa ularni ajratadi.
- PCAda komponentlar ortogonaldir; ICAda ular bo'lmasligi mumkin. ICA-da siz mustaqil ravishda joylashtirilgan komponentlarni qidiryapsiz.
- PCA kirish signali va asosiy komponentlarning farqini maksimal darajada oshirsa-da, ICA topilgan komponentlar orasidagi o'zaro ma'lumotni minimallashtiradi.
- PCAxususiyatlarni eng muhimdan ahamiyatsizgacha tartiblaydi. Biroq, ICAda komponentlar mohiyatan tartibsiz va tengdir.
- PCA haddan tashqari moslashishning oldini olish uchun o'lchamlarni kamaytiradi, ICA aralash signalni oladi va uni mustaqil manbalarning signallariga aylantiradi.
- PCA dispersiyalarni maksimal darajada oshirishga qaratilgan, ICA esa dispersiyaga konsentratsiyalanmagan .
Bu yerda PCA va ICA haqida keng qamrovli video.
PCA VS ICA
ICA dan qachon foydalana olasiz?
ICA - bu ko'p o'zgaruvchilardan iborat keng ma'lumotlar to'plamini kichikroq miqdordagi o'z-o'zidan tashkil etilgan komponentlarga qisqartirish usulidir.
Ma'lumotlar to'plami ko'p o'zgaruvchilardan iborat, shuning uchun mustaqil Komponentlarni tahlil qilish (ICA) o'z-o'zidan tashkil etilgan funktsional tarmoqlar sifatida tushunish uchun ularni kichikroq o'lchamlarga kamaytirish uchun ishlatiladi. Jismoniy bo'lmagan signallarni tahlil qilish uchun ICA dan foydalanishingiz mumkin.
Uning bir nechta ilovalari quyidagilardan iborat:
- Birja narxlarini bashorat qilish
- Neyronlarning optik tasviri
- Yuzni tanib olish
- Astronomiya va kosmologiya
- Mobil telefon aloqasi
Qachon PCA dan foydalana olasiz?
PCA - tasvirni siqish, yuzni tanish va kompyuterni ko'rish sohalarida qo'llaniladigan o'lchamlarni qisqartirish usuli.
Bu har qanday o'lchamni kamaytirish uchun ishlatiladigan eng muhim algoritmlardan biridir. ma'lumotlar o'zining muhim ma'lumotlarini yo'qotmasdan. Siz undan nevrologiyadan tortib turli sohalarda foydalanishingiz mumkinmiqdoriy moliya.
Uning ba'zi ilovalariga quyidagilar kiradi:
- Yuzni aniqlash
- Tasvirni siqish
- Spike tetiklangan kovariatsiya tahlili (Neurosciences)
- Bioinformatika
- Ma'lumotlarni qazib olish
PCA va ICA texnikasidan foydalangan holda neyro-tahlil.
ICA komponentlari ortogonalmi?
ICA komponentlari ortogonal emas; Yechimi yuqori tartibli statistik ma'lumotlarga ega bo'lgan o'zgarishlarni bezash.
PCA komponentlari mustaqilmi?
PCA ning barcha komponentlari statistik jihatdan mustaqildir.
PCA komponentlarida ular o'rtasida bir-biriga o'xshash ma'lumotlar yo'q. Uning tarkibiy qismlari o'zaro ortogonal bo'lib, ikkinchi darajali statistikani o'z ichiga oladi.
PCA chiziqli yoki chiziqli emasmi?
PCA - ortogonal chiziqli transformatsiya.
U ma'lumotlarni yangi koordinatalar tizimiga aylantiradi, shunda eng muhim dispersiya birinchi koordinatada, ikkinchi eng katta dispersiyada bo'ladi. ikkinchi koordinatada va hokazo.
Chiziqli bo'lmagan ICA nima?
Chiziq bo'lmagan ICA ma'lumotlarni yaratuvchi yashirin o'zgaruvchilarni tiklash qobiliyatiga qaratilgan, bu nazoratsiz tasvirni o'rganishning asosiy jihati.
Shuningdek qarang: "Juda" va "Shuningdek" o'rtasidagi farq nima? (Batafsil) - Barcha farqlarMa'lumotlar yordamchi o'zgaruvchilar bilan to'ldirilgan. , vaqt indeksi, vaqt seriyasining tarixi yoki mavjud bo'lgan boshqa narsalar kabi.
Siz to'g'ri kengaytirilgan ma'lumotlar va ma'lumotlar o'rtasida farqlash orqali chiziqli bo'lmagan ICAni o'rganishingiz mumkin.tasodifiy yordamchi o'zgaruvchi. Logistik regressiya orqali ramka algoritmik tarzda amalga oshirilishi mumkin.
Nima uchun ICA Gauss emas?
ICA ning asosiy elementi shundaki, yashirin omillar Gauss bo'lmagan deb taxmin qilinadi.
ICA ikkita Gauss omilini ajratmaydi, chunki u me'yordan chetga chiqishga asoslangan. . Ikki Gauss o‘zgaruvchisi berilgan bo‘lsa, aylana bo‘g‘inli ehtimoli uchun yagona yechim yo‘q.
Shuningdek qarang: Onaning buvisi va otasi buvisi o'rtasidagi farq nima? - Barcha farqlarQaysi biri yaxshiroq; ICA yoki PCA?
Ikkalasi ham oʻz nuqtai nazari va qoʻllanilishi jihatidan yaxshiroq.
PCA maʼlumotlaringizning past darajali namoyishini topish uchun, ICA esa mustaqil subʼyektlarni topish uchun muhimdir. -ma'lumotlaringizning elementlari. Oddiy til bilan aytganda, PCA ma'lumotlarni siqadi va ICA uni ajratadi. Demak, ikkalasi ham foydalidir.
Yakuniy fikrlar
ICA va PCA python muammolarini hal qilishda qo'llaniladigan usullardir - ikkalasi ham o'xshash printsiplarda ishlaydi, lekin turli funktsiyalarni bajaradi.
ICA ma'lumotlaringizning mustaqil sub-elementlarini topishga yordam beradi va ularni ajratadi. Bundan tashqari, ICA topilgan komponentlar orasidagi o'zaro ma'lumotni minimallashtiradi va sizga mustaqil ravishda joylashtirilgan komponentlarni beradi.
Biroq, PCA ma'lumotlarni siqib chiqaradi va sizga ortogonal komponentlar bilan past darajali tasvirni oladi, bu esa kirish signalining farqini maksimal darajada oshiradi. asosiy komponentlar bilan birga.
Aloqador maqolalar
Ushbu maqolaning veb-hikoya versiyasini shu yerda topishingiz mumkin.