Kuigi andmeteadlased puutuvad dimensioonilisuse vähendamisel sageli kokku mõlema terminiga, kirjeldavad peakomponendid andmestiku maksimaalse dispersiooni suunda, samas kui singulaarsed väärtused mõõdavad maatriksi lagundamise ajal nende geomeetriliste telgede ulatuses skaleerimise suurust. Nende matemaatilise seose mõistmine on oluline selliste algoritmide nagu PCA ja SVD valdamiseks.
Ortogonaalsed vektorid, mis osutavad maksimaalse dispersiooni suundadele, aidates lihtsustada ja koondada kõrgmõõtmelisi andmeid.
Singulaarse väärtusega maatriksi diagonaalsed kirjed, mis esindavad lineaarse teisenduse absoluutseid skaleerimistegureid.
| Funktsioon | Peamised komponendid | Ainsuse väärtused |
|---|---|---|
| Matemaatiline päritolu | Kovariatsioonimaatriksi omavektorid | Maatriksi lagunemise (SVD) tegurid |
| Geomeetriline tõlgendus | Maksimaalse dispersiooni suunad | Peamiste telgede skaleerimispikkused |
| Andmenõuded | Statistilise tähenduse jaoks on vaja keskmisele keskendunud andmeid | Kehtib mis tahes suvalise ristkülikukujulise või ruudukujulise maatriksi korral |
| Seos omaväärtustega | Võrdub kovariatsioonimaatriksi omaväärtustega | Võrdub maatriksprodukti omaväärtuste ruutjuurtega |
| Esmane rakendus | Mõõtmete vähendamine ja tunnuste eraldamine | Maatriksi inversioon, pseudopöördarvutus ja madala astme lähendus |
| Skaalasõltuvus | Andmete nihutamise või skaleerimise teel oluliselt muutunud | Lagundatava konkreetse maatriksi loomupärane omadus |
| Füüsiline tõlgendus | Andmepilve ellipsoidi teljed | Teisendatud ühiksfääri venitustegurid |
Peakomponendid esindavad konkreetseid suundi, kus andmed kõige rohkem varieeruvad, toimides optimeeritud koordinaatsüsteemi uute telgedena. Seevastu singulaarsed väärtused on skalaarsed suurused, mis näitavad, kui palju maatriks nende telgede suunas ruumi venitab või kokku surub. Kui üks annab andmepilve orientatsiooni, siis teine mõõdab teisenduse enda ulatust.
Traditsiooniliselt peakomponentide leidmiseks tuleb arvutada andmestiku kovariatsioonimaatriksi omavektorid. Singulaarväärtused saadakse singulaarväärtuse dekompositsiooni teel, kus iga maatriks jaguneb kolmeks eraldi komponentmaatriksiks. Kui andmed tsentreerida keskmise lahutamise teel, siis singulaarväärtuse ruut jagatud valimi suurusega miinus üks võrdub täpselt selle peakomponendi dispersiooniga.
Peakomponendid muutuvad dramaatiliselt, kui unustate oma andmeid keskmistada või standardiseerida, sest statistiline dispersioon sõltub suuresti alguspunktist ja muutujate skaaladest. Singulaarväärtused on aga esitatud toormaatriksi põhiline algebraline omadus. Need ei hooli statistilistest eeldustest, välja arvatud juhul, kui kasutaja esmalt loob tahtlikult tsentreeritud kovariatsioonilaadse maatriksi.
Andmeanalüütikud tuginevad peamistele komponentidele, et visualiseerida keerukaid ja kõrgmõõtmelisi andmestikke lihtsatel kahemõõtmelistel graafikutel. Teisest küljest kasutavad arvutinägemise insenerid piltide tihendamiseks ja soovitussüsteemide jaoks singulaarseid väärtusi madala astme maatriksi lähenduste kaudu. SVD on tegelikult PCA järel eelistatud numbriline mootor, kuna singulaarsete väärtuste arvutamine väldib täpsuse kadu, mis tekib kovariatsioonimaatriksi koostamisel.
Põhikomponendid ja singulaarsed väärtused on täiesti sõltumatud mõisted.
Need on andmetsentreerimise kaudu sügavalt läbi põimunud. Kui andmemaatriksist lahutatakse keskmine, on selle singulaarsed väärtused otseselt proportsionaalsed peakomponentide dispersioonide ruutjuurtega.
Peakomponentide leidmiseks tuleb alati arvutada kovariatsioonimaatriks.
Tänapäeva tarkvara arvutab kovariatsioonimaatriksit harva, kuna see tekitab numbrilisi ümardamisvigu. Selle asemel käivitavad algoritmid SVD-d otse andmemaatriksi peal, eraldades põhikomponendid palju ohutumalt ja tõhusamalt.
Singulaarsed väärtused võivad olla negatiivsed, kui andmed näitavad negatiivset korrelatsiooni.
Singulaarsed väärtused on definitsiooni järgi sümmeetrilise maatriksi omaväärtuste positiivsed ruutjuured. Need on alati mittenegatiivsed reaalarvud, mis esindavad pikkusi või venitustegureid, olenemata algandmete korrelatsioonidest.
Konstandi lisamine kõigile andmepunktidele muudab nii singulaarseid väärtusi kui ka peakomponente võrdselt.
Andmete nihutamine konstandi võrra muudab singulaarseid väärtusi, kuna toormaatriksi kirjed muutuvad. Kuna aga peakomponendid tuginevad kovariatsioonimaatriksile, mis lahutab oma olemuselt keskmise, jätab andmete nihutamine peakomponendid täiesti muutumatuks.
Esimene põhikomponent hõlmab alati kogu väärtuslikku teavet.
Esimene komponent jäädvustab ainult maksimaalse dispersiooni mööda ühte telge. Kui teie andmed on jaotatud sfääriliselt või sisaldavad kriitilisi mittelineaarseid mustreid, võib üksik lineaarne komponent kõige olulisemad struktuurid täielikult vahele jätta.
Valige peakomponendid, kui teie peamine eesmärk on statistilise andmestiku tunnuste tõlgendamine, visualiseerimine või dispersiooni põhjal taandamine. Valige singulaarsed väärtused, kui teil on vaja lahendada lineaarseid süsteeme, tihendada maatrikseid või teha stabiilseid numbrilisi arvutusi ilma statistilise eeltöötluse pärast muretsemata.
Kuigi sissejuhatavas matemaatikas kasutatakse seda sageli sünonüümidena, viitab absoluutväärtus tavaliselt reaalarvu kaugusele nullist, samas kui moodul laiendab seda mõistet kompleksarvudele ja vektoritele. Mõlemal on sama põhieesmärk: suunamärkide eemaldamine, et paljastada matemaatilise olemi puhas suurusjärk.
Kui abstraktsed arvud käsitlevad suurusi puhta sümboolse loogikana, mida juhivad formaalsed reeglid ja algebralised võrrandid, siis geomeetrilised tõlgendused kaardistavad need samad väärtused käegakatsutavateks kujunditeks, joonteks ja ruumilisteks mõõtmeteks. Koos moodustavad need kaks vaatenurka matemaatikas kaksikeele, mis tasakaalustab steriilset sümboolset efektiivsust intuitiivse visuaalse mõistmisega.
Singulaarväärtuse dekompositsioon ja omaväärtuse dekompositsioon on lineaaralgebras kaks põhilist maatriksite faktoriseerimismeetodit. Kui omaväärtuse dekompositsioon piirdub ruutmaatriksitega ja paljastab invariantsed suunad, siis singulaarväärtuse dekompositsioon üldistab mis tahes maatriksi kuju, jagades teisendused ortogonaalseteks pööreteks ja diagonaalseteks skaleerimisoperatsioonideks.
Aritmetika põhitasandil jagunevad ühest suuremad täisarvud kaheks eraldi valdkonnaks: algarvud, mis toimivad matemaatika jagamatute ehitusplokkidena, ja liitstruktuurid, mis moodustuvad nende algarvude korrutamisel. See eristamine kujundab kõike alates lihtsatest murdude taandamise meetoditest kuni tänapäevaste krüptograafiaprotokollideni.
See võrdlus selgitab alg- ja kordarvude definitsioone, omadusi, näiteid ning erinevusi – kaht looduslike arvude põhikategooriat. Selgitatakse, kuidas neid tuvastada, kuidas nad käituvad tegurdamisel ning miks nende äratundmine on oluline algebralise arvuteooria põhimõistetes.
