Lai gan datu zinātnieki dimensiju samazināšanas kontekstā bieži sastopas ar abiem terminiem, galvenās komponentes apraksta maksimālās dispersijas virzienus datu kopā, savukārt singulārās vērtības mēra mērogošanas lielumu pa šīm ģeometriskajām asīm matricas sadalīšanas laikā. Izpratne par to matemātisko saikni ir būtiska, lai apgūtu tādus algoritmus kā PCA un SVD.
Ortogonālie vektori, kas norāda maksimālās dispersijas virzienos, palīdzot vienkāršot un saīsināt daudzdimensionālus datus.
Singulāro vērtību matricas diagonālie ieraksti, kas attēlo lineāras transformācijas absolūtos mērogošanas koeficientus.
| Funkcija | Galvenās sastāvdaļas | Vienskaitļa vērtības |
|---|---|---|
| Matemātiskā izcelsme | Kovariācijas matricas īpašvektori | Matricas sadalīšanās (SVD) faktori |
| Ģeometriskā interpretācija | Maksimālās dispersijas virzieni | Galveno asu mērogošanas garumi |
| Datu prasība | Lai iegūtu statistisku nozīmi, nepieciešami uz vidējo centrētu datu | Attiecas uz jebkuru patvaļīgu taisnstūra vai kvadrātveida matricu |
| Saistība ar īpašvērtībām | Vienāds ar kovariācijas matricas īpašvērtībām | Vienāds ar matricas reizinājuma īpašvērtību kvadrātsaknēm |
| Primārais pielietojums | Dimensiju samazināšana un pazīmju ekstrakcija | Matricas inversija, pseidoinversā aprēķināšana un zemas ranga aproksimācija |
| Mēroga atkarība | Būtiski mainīti, pārvietojot vai mērogojot datus | Konkrētās sadalāmās matricas raksturīgais īpašums |
| Fiziskā interpretācija | Datu mākoņa elipsoīda asis | Pārveidotas vienības sfēras stiepšanās faktori |
Galvenās komponentes attēlo konkrētos virzienus, kuros dati visvairāk mainās, darbojoties kā jaunās asis optimizētai koordinātu sistēmai. Turpretī singulārās vērtības ir skalāri lielumi, kas parāda, cik lielā mērā matrica izstiepj vai saspiež telpu pa šīm asīm. Viena no tām sniedz datu mākoņa orientāciju, bet otra mēra pašas transformācijas lielumu.
Lai tradicionāli atrastu galvenās komponentes, ir jāaprēķina datu kopas kovariācijas matricas īpašvektori. Singulārās vērtības rodas no singulārās vērtības dekompozīcijas, kur jebkura matrica sadalās trīs atšķirīgās komponentu matricās. Centrējot datus, atņemot vidējo vērtību, singulārās vērtības kvadrāts, dalīts ar izlases lielumu mīnus viens, ir pilnīgi vienāds ar šīs galvenās komponentes dispersiju.
Galvenās komponentes ievērojami mainās, ja aizmirstat centrēt vidējo vērtību vai standartizēt datus, jo statistiskā dispersija lielā mērā ir atkarīga no sākuma punkta un mainīgo skalas. Tomēr singulārās vērtības ir sniegtās neapstrādātās matricas fundamentāla algebriska īpašība. Tām nerūp statistiskie pieņēmumi, ja vien lietotājs vispirms apzināti neveido centrētu kovariācijai līdzīgu matricu.
Datu analītiķi paļaujas uz galvenajiem komponentiem, lai vizualizētu sarežģītas, daudzdimensionālas datu kopas vienkāršos divdimensiju attēlos. No otras puses, datorredzes inženieri attēlu saspiešanai un ieteikumu sistēmām izmanto singulārās vērtības, izmantojot zemas pakāpes matricu aproksimācijas. SVD faktiski ir vēlamais skaitliskais dzinējs aiz PCA, jo singulāro vērtību aprēķināšana novērš precizitātes zudumu, kas rodas, veidojot kovariācijas matricu.
Galvenās komponentes un singulārās vērtības ir pilnīgi neatkarīgi jēdzieni.
Tie ir cieši saistīti, pateicoties datu centrēšanai. Kad datu matricai tiek atņemts vidējais, tās singulārās vērtības ir tieši proporcionālas galveno komponentu dispersiju kvadrātsaknēm.
Lai atrastu galvenās komponentes, vienmēr ir jāaprēķina kovariācijas matrica.
Mūsdienu programmatūra reti aprēķina kovariācijas matricu, jo tā rada skaitliskās noapaļošanas kļūdas. Tā vietā algoritmi tieši palaiž SVD datu matricā, daudz drošāk un efektīvāk izvelkot galvenās komponentes.
Singulārās vērtības var būt negatīvas, ja dati uzrāda negatīvu korelāciju.
Singulārās vērtības pēc definīcijas ir simetriskas matricas īpašvērtību pozitīvas kvadrātsaknes. Tās vienmēr ir nenegatīvi reāli skaitļi, kas attēlo garumus vai stiepes koeficientus neatkarīgi no korelācijām sākotnējos datos.
Pievienojot konstantu vērtību visiem datu punktiem, vienādi mainās gan singulārās vērtības, gan galvenās komponentes.
Datu nobīde par konstanti maina singulārās vērtības, jo mainās neapstrādātās matricas ieraksti. Tomēr, tā kā galvenās komponentes balstās uz kovariācijas matricu, kas pēc būtības atņem vidējo vērtību, datu nobīde pilnībā nemaina galvenās komponentes.
Pirmais galvenais komponents vienmēr ietver visu vērtīgo informāciju.
Pirmais komponents uztver tikai maksimālo dispersiju pa vienu asi. Ja jūsu dati ir sadalīti sfēriski vai satur kritiskus nelineārus modeļus, viens lineārs komponents var pilnībā palaist garām vissvarīgākās struktūras.
Izvēlieties galvenās komponentes, ja jūsu galvenais mērķis ir interpretēt, vizualizēt vai samazināt statistikas datu kopas pazīmes, pamatojoties uz dispersiju. Izvēlieties singulārās vērtības, ja jums ir jāatrisina lineāras sistēmas, jāsaspiež matricas vai jāveic stabili skaitliski aprēķini, neuztraucoties par statistisko pirmapstrādi.
Lai gan ievadmatemātikā absolūtā vērtība bieži tiek lietota kā sinonīms, tā parasti attiecas uz reālā skaitļa attālumu no nulles, savukārt modulis paplašina šo jēdzienu, iekļaujot kompleksos skaitļus un vektorus. Abiem ir viens un tas pats pamatmērķis: noņemt virziena zīmes, lai atklātu matemātiskas vienības tīro lielumu.
Kamēr abstrakti skaitļi uztver lielumus kā tīru simbolisku loģiku, ko regulē formāli noteikumi un algebriski vienādojumi, ģeometriskās interpretācijas šīs pašas vērtības attēlo taustāmās formās, līnijās un telpiskās dimensijās. Kopā šīs divas perspektīvas veido divējādu valodu matemātikā, līdzsvarojot sterilu simbolisko efektivitāti ar intuitīvu vizuālu izpratni.
Kamēr algebra koncentrējas uz abstraktiem darbību noteikumiem un simbolu manipulācijām, lai atrisinātu nezināmos, ģeometrija pēta telpas fizikālās īpašības, tostarp figūru izmēru, formu un relatīvo novietojumu. Kopā tie veido matemātikas pamatu, pārvēršot loģiskās attiecības vizuālās struktūrās.
Lai gan algoritmiskā ģenerēšana izmanto milzīgu skaitļošanas jaudu, lai ātri ģenerētu matemātiskas struktūras, pierādījumus un neapstrādātus datus, pamatojoties uz noteiktiem noteikumiem, cilvēka interpretācija nodrošina nepieciešamo intuīciju, kontekstuālo nozīmi un konceptuālos ietvarus, kas nepieciešami, lai izprastu šos rezultātus, izceļot dziļu simbiozi mūsdienu matemātikā.
Kamēr analītiskā skaitļu teorija balstās uz matemātisku analīzi, komplekso analīzi un stingriem dedukcijas ierobežojumiem, lai atšķetinātu veselu skaitļu slēpto uzvedību, eksperimentālā matemātika izmanto jaudīgus skaitļošanas rīkus, lai veiktu skaitliskus izmēģinājumus, atklātu negaidītus modeļus un ģenerētu jaunas matemātiskas hipotēzes. Kopā tie ilustrē skaisto līdzsvaru starp tīru analītisku dedukciju un skaitļošanas atklājumiem.
