Vaikka datatieteilijät kohtaavat usein molemmat termit dimensionaalisuuden vähentämisessä, pääkomponentit kuvaavat tietojoukon suurimman varianssin suuntia, kun taas singulaariarvot mittaavat skaalauksen suuruutta näillä geometrisilla akseleilla matriisihajoamisen aikana. Niiden matemaattisen yhdistämisen ymmärtäminen on olennaista PCA:n ja SVD:n kaltaisten algoritmien hallitsemiseksi.
Ortogonaaliset vektorit, jotka osoittavat maksimaalisen varianssin suuntiin, auttavat yksinkertaistamaan ja tiivistämään moniulotteista dataa.
Singulaarisen arvon matriisin diagonaaliarvot, jotka edustavat lineaarisen muunnoksen absoluuttisia skaalauskertoimia.
| Ominaisuus | Pääkomponentit | Yksittäisarvot |
|---|---|---|
| Matemaattinen alkuperä | Kovarianssimatriisin ominaisvektorit | Matriisin hajoamistekijät (SVD) |
| Geometrinen tulkinta | Suurimman varianssin suunnat | Pääakseleiden skaalauspituudet |
| Tietovaatimus | Vaatii keskiarvokeskeistä dataa tilastollisen merkityksen saavuttamiseksi | Koskee mitä tahansa mielivaltaista suorakulmaista tai neliömatriisia |
| Suhde ominaisarvoihin | Yhtä suuri kuin kovarianssimatriisin ominaisarvot | Yhtä suuri kuin matriisitulon ominaisarvojen neliöjuuret |
| Ensisijainen sovellus | Dimensionaalisuuden vähentäminen ja ominaisuuksien erottaminen | Matriisin inversio, pseudo-inverse-laskenta ja matalan asteen approksimaatio |
| Skaalariippuvuus | Muuttunut merkittävästi siirtämällä tai skaalaamalla tietoja | Hajotettavan tietyn matriisin luontainen ominaisuus |
| Fyysinen tulkinta | Tietopilven ellipsoidin akselit | Muunnetun yksikköpallon venytyskertoimet |
Pääkomponentit edustavat tiettyjä suuntia, joissa data vaihtelee eniten, ja toimivat optimoidun koordinaatiston uusina akseleina. Singulaariarvot taas ovat skalaarisia suureita, jotka paljastavat, kuinka paljon matriisi venyttää tai supistaa tilaa näiden akseleiden suuntaisesti. Toinen antaa datapilven suunnan, kun taas toinen mittaa itse muutoksen suuruutta.
Pääkomponenttien löytämiseksi perinteisesti sinun on laskettava tietojoukon kovarianssimatriisin ominaisvektorit. Singulaariarvot saadaan singulaariarvohajottelusta, jossa mikä tahansa matriisi jakautuu kolmeen erilliseen komponenttimatriisiin. Kun keskität tietosi vähentämällä keskiarvon, singulaariarvon neliö jaettuna otoskoolla miinus yksi on täysin yhtä suuri kuin kyseisen pääkomponentin varianssi.
Pääkomponentit muuttuvat dramaattisesti, jos unohdat keskittää keskiarvot tai standardoida datasi, koska tilastollinen varianssi on vahvasti riippuvainen lähtöpisteestä ja muuttujien skaalasta. Singulaariarvot ovat kuitenkin raakamatriisin perustavanlaatuinen algebrallinen ominaisuus. Ne eivät välitä tilastollisista oletuksista, ellei käyttäjä ensin tarkoituksella rakenna keskitettyä kovarianssin kaltaista matriisia.
Data-analyytikot käyttävät pääkomponentteja visualisoidakseen monimutkaisia, korkeaulotteisia tietojoukkoja yksinkertaisilla kaksiulotteisilla kuvaajilla. Konenäköinsinöörit taas käyttävät singulaariarvoja kuvan pakkaamiseen ja suositusjärjestelmiin matalan asteen matriisiapproksimaatioiden avulla. SVD on itse asiassa PCA:n jälkeen suositeltu numeerinen moottori, koska singulaariarvojen laskeminen välttää tarkkuuden menetyksen, jota tapahtuu kovarianssimatriisia rakennettaessa.
Pääkomponentit ja singulaariarvot ovat täysin itsenäisiä käsitteitä.
Ne ovat syvästi kietoutuneet toisiinsa datan keskittämisen kautta. Kun datamatriisista vähennetään sen keskiarvo, sen singulaariarvot ovat suoraan verrannollisia pääkomponenttien varianssien neliöjuuriin.
Kovarianssimatriisi on aina laskettava pääkomponenttien löytämiseksi.
Nykyaikaiset ohjelmistot laskevat harvoin kovarianssimatriisia, koska se aiheuttaa numeerisia pyöristysvirheitä. Sen sijaan algoritmit suorittavat SVD-laskennan suoraan datamatriisille, jolloin pääkomponentit poimitaan paljon turvallisemmin ja tehokkaammin.
Singulaariarvot voivat olla negatiivisia, jos tiedot osoittavat negatiivista korrelaatiota.
Singulaariarvot ovat määritelmän mukaan symmetrisen matriisin ominaisarvojen positiivisia neliöjuuria. Ne ovat aina ei-negatiivisia reaalilukuja, jotka edustavat pituuksia tai venytyskertoimia riippumatta alkuperäisen datan korrelaatioista.
Vakioarvon lisääminen kaikkiin datapisteisiin muuttaa sekä singulaariarvoja että pääkomponentteja yhtä paljon.
Datan siirtäminen vakion verran muuttaa singulaariarvoja, koska raakamatriisin alkiot muuttuvat. Koska pääkomponentit kuitenkin perustuvat kovarianssimatriisiin, joka luonnostaan vähentää keskiarvon, datan siirtäminen jättää pääkomponentit täysin muuttumattomiksi.
Ensimmäinen pääkomponentti tallentaa aina kaikki arvokkaat tiedot.
Ensimmäinen komponentti tallentaa vain yhden akselin suuntaisen maksimaalisen varianssin. Jos datasi on jakautunut pallomaisesti tai sisältää kriittisiä epälineaarisia kuvioita, yksi lineaarinen komponentti saattaa jättää kokonaan huomiotta tärkeimmät rakenteet.
Valitse pääkomponentteja, kun ensisijainen tavoitteesi on tulkita, visualisoida tai pelkistää tilastollisen tietojoukon ominaisuuksia varianssin perusteella. Valitse singulaariarvoja, kun sinun on ratkaistava lineaarisia yhtälöryhmiä, pakattava matriiseja tai suoritettava stabiileja numeerisia laskutoimituksia huolehtimatta tilastollisesta esikäsittelystä.
Vaikka itseisarvoa käytetään usein synonyymeinä johdantomatematiikassa, se tyypillisesti viittaa reaaliluvun etäisyyteen nollasta, kun taas modulo laajentaa tätä käsitettä kompleksilukuihin ja vektoreihin. Molemmilla on sama perustavanlaatuinen tarkoitus: poistaa suuntamerkit matemaattisen olion puhtaan suuruuden paljastamiseksi.
Abstraktit luvut käsittelevät määriä puhtaana symbolisena logiikkana, jota hallitsevat muodolliset säännöt ja algebralliset yhtälöt, kun taas geometriset tulkinnat kuvaavat samat arvot konkreettisiksi muodoiksi, viivoiksi ja avaruudellisiksi ulottuvuuksiksi. Yhdessä nämä kaksi näkökulmaa muodostavat matematiikan kaksoiskielen, joka tasapainottaa steriiliä symbolista tehokkuutta ja intuitiivista visuaalista ymmärrystä.
Algebra keskittyy abstrakteihin laskusääntöihin ja symbolien manipulointiin tuntemattomien ratkaisemiseksi, kun taas geometria tutkii avaruuden fysikaalisia ominaisuuksia, kuten kuvioiden kokoa, muotoa ja suhteellista sijaintia. Yhdessä ne muodostavat matematiikan perustan, joka kääntää loogiset suhteet visuaalisiksi rakenteiksi.
Vaikka algoritminen generointi hyödyntää valtavaa laskentatehoa matemaattisten rakenteiden, todistusten ja raakadatan nopeaan tuottamiseen asetettujen sääntöjen perusteella, ihmisen tulkinta tarjoaa olennaisen intuition, kontekstuaalisen merkityksen ja käsitteelliset viitekehykset, joita tarvitaan näiden tulosten ymmärtämiseen. Tämä korostaa syvää symbioosia modernissa matematiikassa.
Aritmetiikan perustasolla kokonaisluvut, jotka ovat suurempia kuin yksi, jakautuvat kahteen erilliseen alueeseen: alkuluvut, jotka toimivat matematiikan jakamattomina rakennuspalikoina, ja yhdistelmärakenteet, jotka muodostetaan kertomalla nämä alkuluvut keskenään. Tämä ero muokkaa kaikkea yksinkertaisista murtolukujen supistuksista nykyaikaisiin kryptografisiin protokolliin.
