Маалымат таануучулар өлчөмдүүлүктү азайтууда эки терминди тең көп кездештирсе да, негизги компоненттер маалыматтар топтомундагы максималдуу дисперсиянын багыттарын сүрөттөйт, ал эми сингулярдык маанилер матрицаны декомпозициялоо учурунда ошол геометриялык октор боюнча масштабдоонун чоңдугун өлчөйт. Алардын математикалык көпүрөсүн түшүнүү PCA жана SVD сыяктуу алгоритмдерди өздөштүрүү үчүн абдан маанилүү.
Максималдуу дисперсиянын багыттарын көрсөткөн ортогоналдык векторлор, жогорку өлчөмдүү маалыматтарды жөнөкөйлөтүүгө жана кыскартууга жардам берет.
Сызыктуу трансформациянын абсолюттук масштабдоо коэффициенттерин билдирген сингулярдык маани матрицасынын диагоналдык жазуулары.
| Мүмкүнчүлүк | Негизги компоненттер | Сингулярдык маанилер |
|---|---|---|
| Математикалык келип чыгышы | Ковариациялык матрицанын өздүк векторлору | Матрицанын декомпозициясынын (SVD) факторлору |
| Геометриялык чечмелөө | Максималдуу дисперсиянын багыттары | Башкы октордун узундуктарын масштабдоо |
| Маалыматтар талабы | Статистикалык маани үчүн орточо борборлуу маалыматтарды талап кылат | Каалагандай тик бурчтуу же чарчы матрицага тиешелүү |
| Өздүк маанилерге болгон байланышы | Ковариация матрицасынын өздүк маанилерине барабар | Матрицалык көбөйтүндүнүн өздүк маанилеринин квадрат тамырларына барабар |
| Негизги өтүнмө | Өлчөмдүүлүктү азайтуу жана өзгөчөлүктөрдү бөлүп алуу | Матрицанын инверсиясы, псевдо-тескери эсептөө жана төмөнкү рангдагы жакындаштыруу |
| Масштабга көз карандылык | Маалыматтарды жылдыруу же масштабдоо менен олуттуу түрдө өзгөртүлдү | Ажыратылып жаткан белгилүү бир матрицанын ажырагыс касиети |
| Физикалык чечмелөө | Маалымат булутунун эллипсоидинин октору | Трансформацияланган бирдик сферанын созулуш коэффициенттери |
Негизги компоненттер маалыматтардын эң көп өзгөрө турган белгилүү бир багыттарын билдирет жана оптималдаштырылган координаттар системасы үчүн жаңы октор катары кызмат кылат. Ал эми сингулярдык маанилер - бул матрицанын ошол октор боюнча мейкиндикти канчалык созуп же кысып жатканын көрсөткөн скалярдык чоңдуктар. Бири маалымат булутунун багытын берсе, экинчиси трансформациянын өзүнүн чоңдугун өлчөйт.
Негизги компоненттерди салттуу түрдө табуу үчүн, сиз маалыматтар топтомунун ковариациялык матрицасынын өздүк векторлорун эсептешиңиз керек. Сингулярдык маанилер Сингулярдык маанини ажыратуудан келип чыгат, мында ар кандай матрица үч башка компоненттик матрицага бөлүнөт. Маалыматтарыңызды орточо маанини кемитүү менен борборлоштурганда, сингулярдык маанинин квадратын үлгүнүн көлөмүнө бөлүп, андан бирге бөлгөндө, ал негизги компоненттин дисперсиясы кемчиликсиз барабар болот.
Эгерде сиз маалыматтарыңызды борборлоштурууну же стандартташтырууну унутуп калсаңыз, негизги компоненттер кескин өзгөрөт, анткени статистикалык дисперсия баштапкы чекитке жана өзгөрүлмө масштабдарга көп көз каранды. Бирок, сингулярдык маанилер берилген чийки матрицанын фундаменталдык алгебралык касиети болуп саналат. Колдонуучу атайылап борборлоштурулган ковариацияга окшош матрицаны түзбөсө, алар статистикалык божомолдорго маани беришпейт.
Маалымат аналитиктери жөнөкөй эки өлчөмдүү графиктерде татаал, жогорку өлчөмдүү маалымат топтомдорун визуалдаштыруу үчүн негизги компоненттерге таянышат. Башка жагынан алганда, компьютердик көрүү инженерлери төмөнкү рангдагы матрицалык жакындаштыруулар аркылуу сүрөттөрдү кысуу жана сунуштоо системалары үчүн сингулярдык маанилерди колдонушат. SVD чындыгында PCAнын артындагы артыкчылыктуу сандык кыймылдаткыч болуп саналат, анткени сингулярдык маанилерди эсептөө ковариациялык матрицаны түзүүдө пайда болгон тактыктын жоголушун алдын алат.
Негизги компоненттер жана сингулярдык маанилер толугу менен көз карандысыз түшүнүктөр.
Алар маалыматтарды борборлоштуруу аркылуу терең чырмалышкан. Маалымат матрицасынын орточо мааниси кемитилгенде, анын сингулярдык маанилери негизги компоненттер боюнча дисперсиялардын квадраттык тамырларына түз пропорционалдуу болот.
Негизги компоненттерди табуу үчүн сиз ар дайым ковариация матрицасын эсептеп чыгышыңыз керек.
Заманбап программалык камсыздоо ковариация матрицасын сейрек эсептейт, анткени ал сандык тегеректөө каталарын киргизет. Анын ордуна, алгоритмдер SVDди маалымат матрицасында түздөн-түз иштетип, негизги компоненттерди алда канча коопсуз жана натыйжалуу бөлүп алат.
Эгерде маалыматтар терс корреляцияны көрсөтсө, сингулярдык маанилер терс болушу мүмкүн.
Сингулярдык маанилер аныктама боюнча симметриялуу матрицадан алынган өздүк маанилердин оң квадрат тамырлары болуп саналат. Алар баштапкы маалыматтардагы корреляцияларга карабастан, узундуктарды же созулуучу факторлорду билдирген ар дайым терс эмес чыныгы сандар.
Бардык маалымат чекиттерине туруктуу маани кошуу жекелик маанилерди жана негизги компоненттерди бирдей өзгөртөт.
Маалыматтарды туруктуу санга жылдыруу сингулярдык маанилерди өзгөртөт, анткени чийки матрица жазуулары өзгөрөт. Бирок, негизги компоненттер ковариациялык матрицага таянгандыктан, ал орточо маанини кемитип салат, маалыматтарды жылдыруу негизги компоненттерди толугу менен өзгөрүүсүз калтырат.
Биринчи негизги компонент ар дайым бардык баалуу маалыматтарды камтыйт.
Биринчи компонент бир гана ок боюнча максималдуу дисперсияны чагылдырат. Эгерде маалыматтарыңыз сфералык түрдө бөлүштүрүлгөн болсо же маанилүү сызыктуу эмес үлгүлөрдү камтыса, бир сызыктуу компонент эң маанилүү структураларды толугу менен көрсөтпөй калышы мүмкүн.
Эгерде сиздин негизги максатыңыз дисперсияга негизделген статистикалык маалыматтар топтомунун өзгөчөлүктөрүн чечмелөө, визуалдаштыруу же азайтуу болсо, негизги компоненттерди тандаңыз. Статистикалык алдын ала иштетүү жөнүндө кабатыр болбостон, сызыктуу системаларды чыгаруу, матрицаларды кысуу же туруктуу сандык эсептөөлөрдү жүргүзүү керек болгондо сингулярдык маанилерди тандаңыз.
Бул салыштыруу математикадагы квадрат сандар менен куб сандарынын ортосундагы негизги айырмачылыктарды түшүндүрүп, алардын түзүлүшү, негизги касиеттери, типтүү мисалдары жана геометрия менен арифметикада кандайча колдонулаарын камтыйт, бул окуучуларга эки маанилүү күч амалын айырмалоого жардам берет.
Киришүү математикасында көп учурда бири-биринин ордуна колдонулса да, абсолюттук маани адатта чыныгы сандын нөлдөн аралыгын билдирет, ал эми модуль бул түшүнүктү комплекс сандарга жана векторлорго жайылтат. Экөө тең бир эле негизги максатка кызмат кылат: багыт белгилерин алып салуу менен математикалык бирдиктин таза чоңдугун ачып берет.
Абстракттуу сандар сандык көрсөткүчтөрдү формалдуу эрежелер жана алгебралык теңдемелер менен жөнгө салынган таза символикалык логика катары караса, геометриялык чечмелөөлөр ошол эле маанилерди материалдык формаларга, сызыктарга жана мейкиндик өлчөмдөрүнө айландырат. Бул эки көз караш чогуу математикада кош тилди түзөт, стерилдүү символикалык натыйжалуулукту интуитивдик визуалдык түшүнүү менен тең салмактайт.
Айлануу матрицалары виртуалдык же симуляцияланган чөйрөлөрдө айланууларды эсептөө үчүн так математикалык алкакты камсыз кылат, ал эми физикалык багытты тууралоо объекттин физикалык абалын реалдуу дүйнөдөгү механикалык аткарууну же өлчөөнү билдирет. Сызыктуу алгебранын кемчиликсиз тактыгын физикалык дүйнөнүн механикалык чектөөлөрүнө каршы тең салмактоо робототехникада, аэрокосмостук жана компьютердик көрүү тармагында абдан маанилүү.
Алгебра абстракттуу амалдардын эрежелерине жана белгисиз нерселерди чыгаруу үчүн символдорду манипуляциялоого көңүл бурса, геометрия мейкиндиктин физикалык касиеттерин, анын ичинде фигуралардын өлчөмүн, формасын жана салыштырмалуу жайгашуусун изилдейт. Алар чогуу математиканын негизин түзөт, логикалык байланыштарды визуалдык түзүлүштөргө айландырат.
