Deși specialiștii în date întâlnesc frecvent ambii termeni în reducerea dimensionalității, componentele principale descriu direcțiile varianței maxime într-un set de date, în timp ce valorile singulare măsoară magnitudinea scalării de-a lungul acelor axe geometrice în timpul descompunerii matriceale. Înțelegerea legăturii dintre acestea matematice este esențială pentru stăpânirea algoritmilor precum PCA și SVD.
Vectorii ortogonali care indică direcțiile de varianță maximă, ajutând la simplificarea și condensarea datelor de înaltă dimensionalitate.
Intrările diagonale ale unei matrice de valori singulare, reprezentând factorii de scalare absoluți ai unei transformări liniare.
| Funcție | Componente principale | Valori singulare |
|---|---|---|
| Origine matematică | Vectori proprii ai matricei de covarianță | Factorii de descompunere a matricei (SVD) |
| Interpretare geometrică | Direcțiile varianței maxime | Scalarea lungimilor axelor principale |
| Cerință privind datele | Necesită date centrate pe medie pentru semnificație statistică | Se aplică oricărei matrice dreptunghiulare sau pătrate arbitrare |
| Relația cu valorile proprii | Egal cu valorile proprii ale matricei de covarianță | Egal cu rădăcinile pătrate ale valorilor proprii ale produsului matriceal |
| Aplicație principală | Reducerea dimensionalității și extragerea caracteristicilor | Inversiune matriceală, calcul pseudo-invers și aproximare de rang scăzut |
| Dependența de scală | Modificat semnificativ prin deplasarea sau scalarea datelor | Proprietatea inerentă a matricei specifice care este descompusă |
| Interpretare fizică | Axele unui elipsoid de nor de date | Factorii de întindere ai unei sfere unitare transformate |
Componentele principale reprezintă direcțiile specifice în care datele variază cel mai mult, acționând ca noi axe pentru un sistem de coordonate optimizat. În schimb, valorile singulare sunt mărimi scalare care dezvăluie cât de mult o matrice întinde sau comprimă spațiul de-a lungul acelor axe. În timp ce una oferă orientarea norului de date, cealaltă măsoară magnitudinea transformării în sine.
Pentru a găsi componentele principale în mod tradițional, trebuie să calculați vectorii proprii ai matricei de covarianță a unui set de date. Valorile singulare rezultă din descompunerea valorilor singulare, unde orice matrice se împarte în trei matrici componente distincte. Când centrați datele prin scăderea mediei, pătratul unei valori singulare împărțit la dimensiunea eșantionului minus unu este perfect egal cu varianța acelei componente principale.
Componentele principale se schimbă dramatic dacă uitați să centrați media sau să standardizați datele, deoarece varianța statistică se bazează în mare măsură pe punctul de origine și pe scalele variabilelor. Valorile singulare, însă, sunt o proprietate algebrică fundamentală a matricei brute furnizate. Nu țin cont de ipotezele statistice, cu excepția cazului în care utilizatorul construiește intenționat mai întâi o matrice centrată, asemănătoare covarianței.
Analiștii de date se bazează pe componente principale pentru a vizualiza seturi de date complexe, de înaltă dimensionalitate, pe grafice bidimensionale simple. Pe de altă parte, inginerii de viziune computerizată utilizează valori singulare pentru compresia imaginilor și sisteme de recomandare prin aproximări de matrice de rang scăzut. SVD este de fapt motorul numeric preferat din spatele PCA, deoarece calcularea valorilor singulare evită pierderea de precizie care apare la construirea unei matrice de covarianță.
Componentele principale și valorile singulare sunt concepte complet independente.
Acestea sunt profund interconectate prin centrarea datelor. Atunci când unei matrice de date i se scade media, valorile sale singulare sunt direct proporționale cu rădăcinile pătrate ale varianțelor de-a lungul componentelor principale.
Trebuie să calculați întotdeauna matricea de covarianță pentru a găsi componentele principale.
Software-ul modern calculează rareori matricea de covarianță deoarece introduce erori de rotunjire numerică. În schimb, algoritmii execută SVD direct pe matricea de date, extragând componentele principale mult mai sigur și eficient.
Valorile singulare pot fi negative dacă datele prezintă o corelație negativă.
Valorile singulare sunt prin definiție rădăcinile pătrate pozitive ale valorilor proprii dintr-o matrice simetrică. Sunt întotdeauna numere reale nenegative, reprezentând lungimi sau factori de întindere, indiferent de corelațiile din datele originale.
Adăugarea unei valori constante la toate punctele de date modifică în mod egal valorile singulare și componentele principale.
Deplasarea datelor cu o constantă modifică valorile singulare deoarece intrările brute ale matricei se modifică. Cu toate acestea, deoarece componentele principale se bazează pe matricea de covarianță, care scade în mod inerent media, deplasarea datelor lasă componentele principale complet neschimbate.
Prima componentă principală surprinde întotdeauna toate informațiile valoroase.
Prima componentă surprinde doar varianța maximă de-a lungul unei singure axe. Dacă datele sunt distribuite sferic sau conțin modele neliniare critice, o singură componentă liniară ar putea omite complet cele mai importante structuri.
Alegeți componentele principale atunci când obiectivul principal este interpretarea, vizualizarea sau reducerea caracteristicilor unui set de date statistice pe baza varianței. Optați pentru valori singulare atunci când trebuie să rezolvați sisteme liniare, să comprimați matrici sau să efectuați calcule numerice stabile fără a vă face griji cu privire la preprocesarea statistică.
Abstracția matematică elimină realitățile specifice pentru a descoperi structuri algebrice și logice universale, în timp ce înțelegerea vizuală se bazează pe intuiția geometrică, raționamentul spațial și imageria mentală pentru a face aceste concepte complexe imediat tangibile și intuitive, formând o abordare duală puternică pentru rezolvarea problemelor matematice complexe.
În timp ce algebra se concentrează pe regulile abstracte ale operațiilor și pe manipularea simbolurilor pentru a rezolva necunoscutele, geometria explorează proprietățile fizice ale spațiului, inclusiv dimensiunea, forma și poziția relativă a figurilor. Împreună, acestea formează fundamentul matematicii, traducând relațiile logice în structuri vizuale.
În timp ce analiza secvențelor se bazează pe formule algoritmice, matematice și statistice pentru a cuantifica alinierile și a extrage metrici precise din datele ordonate, vizualizarea modelelor convertește aceste fluxuri de date complexe în machete spațiale intuitive, mutând accentul de la calculele numerice la recunoașterea rapidă a modelelor de către om.
Deși pot părea opuse matematice, calculul diferențial și integral sunt de fapt două fețe ale aceleiași monede. Calculul diferențial se concentrează pe modul în care lucrurile se schimbă la un moment dat, cum ar fi viteza instantanee a unei mașini, în timp ce calculul integral însumează aceste mici modificări pentru a găsi un rezultat total, cum ar fi distanța totală parcursă.
Calculul simbolic se concentrează pe manipularea exactă a ecuațiilor algebrice și a formulelor matematice, în timp ce vizualizarea datelor traduce seturi de date complexe în reprezentări grafice intuitive. În timp ce prima prioritizează precizia algebrică și soluțiile analitice, cea de-a doua pune accentul pe recunoașterea tiparelor și înțelegerea structurală în seturi de date empirice masive.
