Nors duomenų mokslininkai dažnai susiduria su abiem terminais matmenų mažinimo srityje, pagrindiniai komponentai apibūdina didžiausios dispersijos kryptis duomenų rinkinyje, o singuliarinės vertės matuoja mastelio keitimo išilgai tų geometrinių ašių dydį matricos skaidymo metu. Jų matematinio ryšio supratimas yra būtinas norint įvaldyti tokius algoritmus kaip PCA ir SVD.
Ortogonalūs vektoriai, rodantys didžiausios dispersijos kryptis, padedantys supaprastinti ir suspausti daugiamačius duomenis.
Vienaskaitos reikšmių matricos įstrižainės įrašai, vaizduojantys tiesinės transformacijos absoliučius mastelio koeficientus.
| Funkcija | Pagrindiniai komponentai | Vienaskaitos vertės |
|---|---|---|
| Matematinė kilmė | Kovariacijos matricos savivektoriai | Matricos skaidymo (SVD) koeficientai |
| Geometrinis aiškinimas | Didžiausios dispersijos kryptys | Pagrindinių ašių mastelio ilgiai |
| Duomenų reikalavimas | Statistinei reikšmei reikalingi vidurkiu pagrįsti duomenys | Taikoma bet kokiai savavališkai stačiakampei arba kvadratinei matricai |
| Ryšys su savosiomis reikšmėmis | Lygus kovariacijos matricos savosioms reikšmėms | Lygus matricos sandaugos savųjų reikšmių kvadratinėms šaknims |
| Pagrindinė paraiška | Matmenų mažinimas ir savybių išskyrimas | Matricos inversija, pseudo-atvirkštinis skaičiavimas ir žemo rango aproksimacija |
| Mastelio priklausomybė | Reikšmingai pakito perkeliant arba keičiant duomenų dydį | Būdinga specifinės skaidomos matricos savybė |
| Fizinė interpretacija | Duomenų debesies elipsoido ašys | Transformuotos vienetinės sferos tempimo koeficientai |
Pagrindiniai komponentai žymi konkrečias kryptis, kuriomis duomenys kinta labiausiai, ir veikia kaip naujos optimizuotos koordinačių sistemos ašys. Priešingai, singuliarinės vertės yra skaliariniai dydžiai, kurie parodo, kiek matrica ištempia arba suspaudžia erdvę išilgai tų ašių. Vienas nurodo duomenų debesies orientaciją, o kitas matuoja pačios transformacijos dydį.
Norint tradiciniu būdu rasti pagrindinius komponentus, reikia apskaičiuoti duomenų rinkinio kovariacijos matricos savuosius vektorius. Singulinės vertės gaunamos iš singulinės vertės skaidymo, kai bet kuri matrica skyla į tris skirtingas komponentų matricas. Kai centruojate duomenis atimdami vidurkį, singulinės vertės kvadratas, padalytas iš imties dydžio atėmus vienetą, idealiai lygus to pagrindinio komponento dispersijai.
Pagrindiniai komponentai smarkiai pasikeičia, jei pamirštate centruoti vidurkius arba standartizuoti duomenis, nes statistinė dispersija labai priklauso nuo pradžios taško ir kintamųjų skalės. Tačiau singuliarinės vertės yra pagrindinė pateiktos neapdorotos matricos algebrinė savybė. Jos neturi įtakos statistinėms prielaidoms, nebent vartotojas pirmiausia sąmoningai sukuria centruotą kovariacijos tipo matricą.
Duomenų analitikai remiasi pagrindiniais komponentais, kad vizualizuotų sudėtingus, daugiamačius duomenų rinkinius paprastuose dvimatėse diagramose. Kita vertus, kompiuterinės regos inžinieriai naudoja singuliarines reikšmes vaizdams glaudinti ir rekomendavimo sistemoms, naudodami žemo rango matricų aproksimacijas. SVD iš tikrųjų yra pageidaujamas skaitmeninis variklis po PCA, nes skaičiuojant singuliarines reikšmes išvengiama tikslumo praradimo, kuris atsiranda kuriant kovariacijos matricą.
Pagrindiniai komponentai ir singuliarinės vertės yra visiškai nepriklausomos sąvokos.
Jie yra glaudžiai susiję dėl duomenų centravimo. Kai duomenų matrica atima vidurkį, jos singuliarinės vertės yra tiesiogiai proporcingos pagrindinių komponentų dispersijų kvadratinėms šaknims.
Norint rasti pagrindinius komponentus, visada reikia apskaičiuoti kovariacijos matricą.
Šiuolaikinė programinė įranga retai apskaičiuoja kovariacijos matricą, nes ji sukelia skaitines apvalinimo klaidas. Vietoj to, algoritmai tiesiogiai vykdo SVD duomenų matricoje, daug saugiau ir efektyviau išskirdami pagrindinius komponentus.
Vienaskaitos reikšmės gali būti neigiamos, jei duomenys rodo neigiamą koreliaciją.
Singulinės reikšmės pagal apibrėžimą yra teigiamos kvadratinės šaknys iš simetrinės matricos tikrinių reikšmių. Jos visada yra neneigiami realieji skaičiai, žymintys ilgius arba tempimo koeficientus, neatsižvelgiant į pradinių duomenų koreliacijas.
Pridėjus pastovią reikšmę visiems duomenų taškams, vienodai pasikeičia ir singuliarinės reikšmės, ir pagrindinės komponentės.
Duomenų perkėlimas konstanta pakeičia singuliarines vertes, nes keičiasi neapdorotos matricos įrašai. Tačiau kadangi pagrindiniai komponentai remiasi kovariacijos matrica, kuri savaime atima vidurkį, duomenų perkėlimas visiškai nepakeičia pagrindinių komponentų.
Pirmasis pagrindinis komponentas visada fiksuoja visą vertingą informaciją.
Pirmasis komponentas fiksuoja tik didžiausią dispersiją išilgai vienos ašies. Jei jūsų duomenys pasiskirstę sferiškai arba juose yra kritinių netiesinių modelių, vienas tiesinis komponentas gali visiškai nepastebėti svarbiausių struktūrų.
Rinkitės pagrindinius komponentus, kai jūsų pagrindinis tikslas yra interpretuoti, vizualizuoti arba sumažinti statistinio duomenų rinkinio ypatybes remiantis dispersija. Rinkitės singuliarines reikšmes, kai reikia spręsti tiesines sistemas, suspausti matricas arba atlikti stabilius skaitinius skaičiavimus, nesijaudinant dėl statistinio išankstinio apdorojimo.
Nors įvadinėje matematikoje absoliuti vertė dažnai vartojama kaip sinonimas, ji paprastai reiškia realaus skaičiaus atstumą nuo nulio, o modulis šią sąvoką praplečia iki kompleksinių skaičių ir vektorių. Abu šie terminai atlieka tą pačią pagrindinę funkciją: pašalina krypties ženklus, kad būtų atskleistas grynasis matematinio objekto dydis.
Nors abstraktūs skaičiai laiko dydžius gryna simboline logika, valdoma formalių taisyklių ir algebrinių lygčių, geometrinės interpretacijos tas pačias vertes paverčia apčiuopiamomis formomis, linijomis ir erdviniais matmenimis. Kartu šios dvi perspektyvos sudaro dvigubą matematikos kalbą, kurioje sterilus simbolinis efektyvumas subalansuojamas su intuityviu vaizdiniu supratimu.
Nors algebra daugiausia dėmesio skiria abstrakčioms operacijų taisyklėms ir simbolių manipuliavimui sprendžiant nežinomuosius, geometrija tyrinėja erdvės fizines savybes, įskaitant figūrų dydį, formą ir santykinę padėtį. Kartu jie sudaro matematikos pagrindą, loginius ryšius paversdami vaizdinėmis struktūromis.
Nors algoritminis generavimas pasitelkia milžinišką skaičiavimo galią, kad greitai sukurtų matematines struktūras, įrodymus ir neapdorotus duomenis, pagrįstus nustatytomis taisyklėmis, žmogaus interpretacija suteikia esminę intuiciją, kontekstinę reikšmę ir konceptualias sistemas, reikalingas šiems rezultatams suprasti, pabrėždama gilią šiuolaikinės matematikos simbiozę.
Nors analizinė skaičių teorija remiasi skaičiavimu, kompleksine analize ir griežtomis dedukcinėmis ribomis, siekdama išaiškinti paslėptą sveikųjų skaičių elgesį, eksperimentinė matematika naudoja galingus skaičiavimo įrankius, kad atliktų skaitmeninius bandymus, atskleistų netikėtus modelius ir generuotų naujas matematines spėliones. Kartu jie iliustruoja gražią pusiausvyrą tarp grynos analitinės dedukcijos ir skaičiavimo atradimų.
