Aínda que os científicos de datos atopan con frecuencia ambos termos na redución da dimensionalidade, os compoñentes principais describen as direccións de varianza máxima nun conxunto de datos, mentres que os valores singulares miden a magnitude da escala ao longo deses eixes xeométricos durante a descomposición de matrices. Comprender a súa ponte matemática é esencial para dominar algoritmos como PCA e SVD.
Os vectores ortogonais que apuntan nas direccións de máxima varianza, axudando a simplificar e condensar datos de alta dimensionalidade.
As entradas diagonais dunha matriz de valores singulares, que representan os factores de escala absolutos dunha transformación lineal.
| Característica | Compoñentes principais | Valores Singulares |
|---|---|---|
| Orixe matemática | Autovectores da matriz de covarianza | Factores de descomposición matricial (SVD) |
| Interpretación xeométrica | Direccións de varianza máxima | Escalado de lonxitudes dos eixes principais |
| Requisito de datos | Require datos centrados na media para o significado estatístico | Aplícase a calquera matriz rectangular ou cadrada arbitraria |
| Relación cos autovalores | Igual aos autovalores da matriz de covarianza | Igual ás raíces cadradas dos autovalores do produto matricial |
| Aplicación principal | Redución da dimensionalidade e extracción de características | Inversión de matrices, cálculo pseudoinverso e aproximación de baixo rango |
| Dependencia da escala | Alterado significativamente ao desprazar ou escalar datos | Propiedade inherente da matriz específica que se está a descompoñer |
| Interpretación física | Eixes dun elipsoide de nube de datos | Factores de estiramento dunha esfera unitaria transformada |
Os compoñentes principais representan as direccións específicas onde os datos varían máis, actuando como os novos eixes para un sistema de coordenadas optimizado. Pola contra, os valores singulares son cantidades escalares que revelan canto estira ou comprime unha matriz o espazo ao longo deses eixes. Mentres que un che dá a orientación da nube de datos, o outro mide a magnitude da propia transformación.
Para atopar os compoñentes principais tradicionalmente, debes calcular os autovectores da matriz de covarianza dun conxunto de datos. Os valores singulares xorden da descomposición de valores singulares, onde calquera matriz se divide en tres matrices de compoñentes distintas. Cando centras os teus datos restando a media, o cadrado dun valor singular dividido polo tamaño da mostra menos un é perfectamente igual á varianza dese compoñente principal.
Os compoñentes principais cambian drasticamente se esqueces centrar a media ou estandarizar os teus datos, porque a varianza estatística depende en gran medida do punto de orixe e das escalas de variables. Non obstante, os valores singulares son unha propiedade alxébrica fundamental da matriz bruta proporcionada. Non se preocupan polas suposicións estatísticas a menos que o usuario constrúa intencionadamente primeiro unha matriz de tipo covarianza centrada.
Os analistas de datos baséanse en compoñentes principais para visualizar conxuntos de datos complexos e de alta dimensionalidade en gráficos bidimensionais sinxelos. Por outra banda, os enxeñeiros de visión por computador usan valores singulares para a compresión de imaxes e os sistemas de recomendación mediante aproximacións de matrices de baixo rango. A SVD é en realidade o motor numérico preferido detrás da PCA porque calcular valores singulares evita a perda de precisión que se produce ao construír unha matriz de covarianza.
Os compoñentes principais e os valores singulares son conceptos completamente independentes.
Están profundamente entrelazados a través da centraxe de datos. Cando se lle resta a media a unha matriz de datos, os seus valores singulares son directamente proporcionais ás raíces cadradas das varianzas ao longo dos compoñentes principais.
Sempre debes calcular a matriz de covarianza para atopar as compoñentes principais.
O software moderno raramente calcula a matriz de covarianza porque introduce erros de arredondamento numérico. En vez diso, os algoritmos executan a SVD directamente na matriz de datos, extraendo os compoñentes principais de forma moito máis segura e eficiente.
Os valores singulares poden ser negativos se os datos mostran unha correlación negativa.
Os valores singulares son, por definición, as raíces cadradas positivas dos autovalores dunha matriz simétrica. Sempre son números reais non negativos, que representan lonxitudes ou factores de estiramento, independentemente das correlacións nos datos orixinais.
Engadir un valor constante a todos os puntos de datos cambia os valores singulares e os compoñentes principais por igual.
Desprazar os datos por unha constante cambia os valores singulares porque as entradas brutas da matriz se alteran. Non obstante, dado que os compoñentes principais dependen da matriz de covarianza, que inherentemente resta a media, desprazar os datos deixa os compoñentes principais completamente sen cambios.
O primeiro compoñente principal sempre captura toda a información valiosa.
primeiro compoñente só captura a varianza máxima ao longo dun único eixe. Se os teus datos están distribuídos esfericamente ou conteñen patróns non lineais críticos, un único compoñente lineal pode pasar por alto por completo as estruturas máis importantes.
Escolle compoñentes principais cando o teu obxectivo principal sexa interpretar, visualizar ou reducir as características dun conxunto de datos estatísticos en función da varianza. Opta por valores singulares cando necesites resolver sistemas lineais, comprimir matrices ou realizar cálculos numéricos estables sen preocuparte polo preprocesamento estatístico.
abstracción matemática elimina realidades específicas para descubrir estruturas alxébricas e lóxicas universais, mentres que a comprensión visual baséase na intuición xeométrica, o razoamento espacial e as imaxes mentais para facer que estes conceptos complexos sexan inmediatamente tanxibles e intuitivos, conformando unha poderosa abordaxe dual para resolver problemas matemáticos complexos.
Mentres que a álxebra se centra nas regras abstractas das operacións e na manipulación de símbolos para resolver incógnitas, a xeometría explora as propiedades físicas do espazo, incluíndo o tamaño, a forma e a posición relativa das figuras. Xuntas, constitúen a base das matemáticas, traducindo as relacións lóxicas en estruturas visuais.
Mentres que a análise de secuencias se basea en fórmulas algorítmicas, matemáticas e estatísticas para cuantificar aliñamentos e extraer métricas precisas a partir de datos ordenados, a visualización de patróns converte estes complexos fluxos de datos en deseños espaciais intuitivos, desprazando o foco dos cálculos numéricos ao recoñecemento rápido de patróns humanos.
Tanto o ángulo como a pendente cuantifican a "pendente" dunha liña, pero falan linguaxes matemáticas diferentes. Mentres que un ángulo mide a rotación circular entre dúas liñas que se intersecan en graos ou radiáns, a pendente mide a "ascensión" vertical en relación coa "transición" horizontal como unha proporción numérica.
Aínda que poidan parecer opostos matemáticos, o cálculo diferencial e o integral son en realidade as dúas caras da mesma moeda. O cálculo diferencial céntrase en como cambian as cousas nun momento específico, como a velocidade instantánea dun coche, mentres que o cálculo integral suma eses pequenos cambios para atopar un resultado total, como a distancia total percorrida.
