Meskipun para ilmuwan data sering menjumpai kedua istilah tersebut dalam pengurangan dimensi, komponen utama menggambarkan arah varians maksimum dalam suatu dataset, sedangkan nilai singular mengukur besarnya penskalaan sepanjang sumbu geometris tersebut selama dekomposisi matriks. Memahami hubungan matematis antara keduanya sangat penting untuk menguasai algoritma seperti PCA dan SVD.
Vektor ortogonal yang mengarah ke arah varians maksimum, membantu menyederhanakan dan memadatkan data berdimensi tinggi.
Elemen diagonal dari matriks nilai singular, yang mewakili faktor skala absolut dari transformasi linier.
| Fitur | Komponen Utama | Nilai Tunggal |
|---|---|---|
| Asal Usul Matematika | Vektor eigen matriks kovarians | Faktor dekomposisi matriks (SVD) |
| Interpretasi Geometris | Arah varians maksimum | Penskalaan panjang sumbu utama |
| Persyaratan Data | Membutuhkan data yang telah dipusatkan pada nilai rata-rata agar memiliki makna statistik. | Berlaku untuk matriks persegi panjang atau persegi sembarang. |
| Hubungan dengan Nilai Eigen | Sama dengan nilai eigen dari matriks kovarians | Sama dengan akar kuadrat dari nilai eigen hasil perkalian matriks. |
| Aplikasi Utama | Pengurangan dimensi dan ekstraksi fitur | Inversi matriks, perhitungan pseudo-invers, dan aproksimasi peringkat rendah |
| Ketergantungan Skala | Berubah secara signifikan dengan menggeser atau menskalakan data. | Sifat inheren dari matriks spesifik yang sedang diuraikan |
| Interpretasi Fisik | Sumbu-sumbu elipsoid awan data | Faktor peregangan dari bola satuan yang ditransformasikan |
Komponen utama merepresentasikan arah spesifik di mana data paling bervariasi, bertindak sebagai sumbu baru untuk sistem koordinat yang dioptimalkan. Sebaliknya, nilai singular adalah besaran skalar yang mengungkapkan seberapa besar matriks meregangkan atau memampatkan ruang di sepanjang sumbu tersebut. Sementara yang satu memberi Anda orientasi awan data, yang lain mengukur besarnya transformasi itu sendiri.
Untuk menemukan komponen utama secara tradisional, Anda harus menghitung vektor eigen dari matriks kovariansi suatu dataset. Nilai singular muncul dari Dekomposisi Nilai Singular, di mana setiap matriks terbagi menjadi tiga matriks komponen yang berbeda. Ketika Anda memusatkan data dengan mengurangi rata-rata, kuadrat dari nilai singular dibagi dengan ukuran sampel dikurangi satu akan sama persis dengan varians dari komponen utama tersebut.
Komponen utama berubah secara dramatis jika Anda lupa untuk memusatkan atau menstandarisasi data Anda, karena varians statistik sangat bergantung pada titik asal dan skala variabel. Namun, nilai singular adalah properti aljabar mendasar dari matriks mentah yang diberikan. Nilai singular tidak bergantung pada asumsi statistik kecuali pengguna sengaja membangun matriks seperti kovariansi yang terpusat terlebih dahulu.
Analis data mengandalkan komponen utama untuk memvisualisasikan kumpulan data kompleks berdimensi tinggi pada plot dua dimensi sederhana. Di sisi lain, insinyur visi komputer menggunakan nilai singular untuk kompresi gambar dan sistem rekomendasi melalui aproksimasi matriks peringkat rendah. SVD sebenarnya adalah mesin numerik yang lebih disukai di balik PCA karena penghitungan nilai singular menghindari hilangnya presisi yang terjadi saat membangun matriks kovarians.
Komponen utama dan nilai singular adalah konsep yang sepenuhnya independen.
Keduanya sangat terkait melalui pemusatan data. Ketika rata-rata matriks data dikurangi, nilai singularnya berbanding lurus dengan akar kuadrat dari varians di sepanjang komponen utama.
Anda harus selalu menghitung matriks kovarians untuk menemukan komponen utama.
Perangkat lunak modern jarang menghitung matriks kovarians karena hal itu menimbulkan kesalahan pembulatan numerik. Sebagai gantinya, algoritma menjalankan SVD pada matriks data secara langsung, mengekstrak komponen utama dengan jauh lebih aman dan efisien.
Nilai singular dapat bern负atif jika data menunjukkan korelasi negatif.
Nilai singular, menurut definisinya, adalah akar kuadrat positif dari nilai eigen dari matriks simetris. Nilai singular selalu berupa bilangan real non-negatif, yang mewakili panjang atau faktor peregangan, terlepas dari korelasi dalam data asli.
Menambahkan nilai konstan ke semua titik data akan mengubah nilai singular dan komponen utama secara merata.
Pergeseran data dengan konstanta mengubah nilai singular karena entri matriks mentah berubah. Namun, karena komponen utama bergantung pada matriks kovarians, yang secara inheren mengurangi nilai rata-rata, pergeseran data tidak mengubah komponen utama sama sekali.
Komponen utama pertama selalu menangkap semua informasi yang berharga.
Komponen pertama hanya menangkap varians maksimum di sepanjang satu sumbu. Jika data Anda terdistribusi secara sferis atau mengandung pola non-linier yang penting, satu komponen linier mungkin akan melewatkan struktur terpenting sepenuhnya.
Pilih komponen utama ketika tujuan utama Anda adalah untuk menginterpretasikan, memvisualisasikan, atau mengurangi fitur dari kumpulan data statistik berdasarkan varians. Pilih nilai singular ketika Anda perlu menyelesaikan sistem linier, mengompresi matriks, atau melakukan komputasi numerik yang stabil tanpa perlu khawatir tentang pra-pemrosesan statistik.
Abstraksi matematis menyingkirkan realitas spesifik untuk mengungkap struktur aljabar dan logika universal, sementara pemahaman visual bergantung pada intuisi geometris, penalaran spasial, dan citra mental untuk membuat konsep-konsep kompleks ini langsung nyata dan intuitif, membentuk pendekatan ganda yang ampuh untuk memecahkan masalah matematika yang kompleks.
Sementara aljabar berfokus pada aturan abstrak operasi dan manipulasi simbol untuk menyelesaikan persamaan yang tidak diketahui, geometri mengeksplorasi sifat-sifat fisik ruang, termasuk ukuran, bentuk, dan posisi relatif bangun. Bersama-sama, keduanya membentuk dasar matematika, menerjemahkan hubungan logis ke dalam struktur visual.
Sementara analisis sekuens bergantung pada rumus algoritmik, matematis, dan statistik untuk mengukur keselarasan dan mengekstrak metrik yang tepat dari data yang terurut, visualisasi pola mengubah aliran data kompleks ini menjadi tata letak spasial yang intuitif, menggeser fokus dari komputasi numerik ke pengenalan pola manusia yang cepat.
Pada dasarnya, barisan aritmatika dan barisan geometri adalah dua cara berbeda untuk menambah atau mengurangi jumlah angka. Barisan aritmatika berubah secara linear dan stabil melalui penjumlahan atau pengurangan, sedangkan barisan geometri bertambah atau berkurang secara eksponensial melalui perkalian atau pembagian.
Limit dan kontinuitas adalah landasan kalkulus, yang mendefinisikan bagaimana fungsi berperilaku saat mendekati titik-titik tertentu. Sementara limit menggambarkan nilai yang didekati fungsi dari titik terdekat, kontinuitas mensyaratkan bahwa fungsi tersebut benar-benar ada pada titik tersebut dan sesuai dengan limit yang diprediksi, sehingga memastikan grafik yang mulus dan tidak terputus.
