Ndërsa shkencëtarët e të dhënave shpesh hasin të dy termat në reduktimin e dimensionalitetit, komponentët kryesorë përshkruajnë drejtimet e variancës maksimale në një grup të dhënash, ndërsa vlerat e veçanta matin madhësinë e shkallëzimit përgjatë atyre boshteve gjeometrike gjatë dekompozimit të matricës. Të kuptuarit e urës së tyre matematikore është thelbësore për zotërimin e algoritmeve si PCA dhe SVD.
Vektorët ortogonalë që tregojnë drejtimet e variancës maksimale, duke ndihmuar në thjeshtimin dhe kondensimin e të dhënave me dimensione të larta.
Hyrjet diagonale të një matrice me vlerë të vetme, që përfaqësojnë faktorët absolutë të shkallëzimit të një transformimi linear.
| Veçori | Komponentët kryesorë | Vlerat e veçanta |
|---|---|---|
| Origjina Matematikore | Vektorët vetjakë të matricës kovariancë | Faktorët e dekompozimit të matricës (SVD) |
| Interpretim gjeometrik | Drejtimet e variancës maksimale | Shkallëzimi i gjatësive të boshteve kryesore |
| Kërkesa për të dhëna | Kërkon të dhëna të përqendruara në mesatare për kuptim statistikor | Zbatohet për çdo matricë drejtkëndëshe ose katrore arbitrare |
| Marrëdhënia me Vlerat Vetjake | E barabartë me vlerat karakteristike të matricës së kovariancës | E barabartë me rrënjët katrore të vlerave karakteristike të produktit matricor |
| Aplikimi Kryesor | Zvogëlimi i dimensionalitetit dhe nxjerrja e karakteristikave | Inversioni i matricës, llogaritja pseudo-inverse dhe përafrimi me rang të ulët |
| Varësia e shkallës | Ndryshuar ndjeshëm nga zhvendosja ose shkallëzimi i të dhënave | Vetia e natyrshme e matricës specifike që zbërthehet |
| Interpretimi fizik | Akset e një elipsoidi të resë së të dhënave | Faktorët e shtrirjes së një sfere njësie të transformuar |
Komponentët kryesorë përfaqësojnë drejtimet specifike ku të dhënat ndryshojnë më shumë, duke vepruar si boshtet e reja për një sistem koordinativ të optimizuar. Në të kundërt, vlerat singulare janë madhësi skalare që zbulojnë se sa një matricë e shtrin ose e kompreson hapësirën përgjatë atyre boshteve. Ndërsa njëri ju jep orientimin e resë së të dhënave, tjetri mat madhësinë e vetë transformimit.
Për të gjetur komponentët kryesorë në mënyrë tradicionale, duhet të llogaritni vektorët vetjakë të matricës së kovariancës së një grupi të dhënash. Vlerat singulare dalin nga Zbërthimi i Vlerës Singulare, ku çdo matricë ndahet në tre matrica të dallueshme komponentësh. Kur i përqendroni të dhënat tuaja duke zbritur mesataren, katrori i një vlere singulare i pjesëtuar me madhësinë e mostrës minus një është plotësisht i barabartë me variancën e atij komponenti kryesor.
Komponentët kryesorë ndryshojnë në mënyrë dramatike nëse harroni të vendosni mesataren në qendër ose të standardizoni të dhënat tuaja, sepse varianca statistikore mbështetet shumë në pikën e origjinës dhe shkallët e variablave. Megjithatë, vlerat singulare janë një veti themelore algjebrike e matricës së papërpunuar të ofruar. Ato nuk interesohen për supozimet statistikore përveç nëse përdoruesi ndërton qëllimisht më parë një matricë të përqendruar të ngjashme me kovariancën.
Analistët e të dhënave mbështeten në komponentët kryesorë për të vizualizuar grupe të dhënash komplekse dhe me dimensione të larta në grafikë të thjeshtë dy-dimensionalë. Nga ana tjetër, inxhinierët e vizionit kompjuterik përdorin vlera të veçanta për kompresimin e imazhit dhe sistemet e rekomandimit nëpërmjet përafrimeve të matricës me rang të ulët. SVD është në fakt motori numerik i preferuar pas PCA-së sepse llogaritja e vlerave të veçanta shmang humbjen e saktësisë që ndodh kur ndërtohet një matricë kovariance.
Komponentët kryesorë dhe vlerat njëjës janë koncepte plotësisht të pavarura.
Ato janë thellësisht të ndërthurura përmes përqendrimit të të dhënave. Kur një matricë të dhënash i zbritet mesatarja e saj, vlerat e saj të veçanta janë drejtpërdrejt proporcionale me rrënjët katrore të variancave përgjatë komponentëve kryesorë.
Gjithmonë duhet të llogaritni matricën e kovariancës për të gjetur përbërësit kryesorë.
Softuerët modernë rrallë e llogaritin matricën e kovariancës sepse kjo sjell gabime numerike në rrumbullakosje. Në vend të kësaj, algoritmet ekzekutojnë SVD direkt në matricën e të dhënave, duke nxjerrë komponentët kryesorë shumë më të sigurt dhe efikas.
Vlerat njëjëse mund të jenë negative nëse të dhënat tregojnë korrelacion negativ.
Vlerat singulare janë sipas përkufizimit rrënjët katrore pozitive të vlerave karakteristike nga një matricë simetrike. Ato janë gjithmonë numra realë jo-negativë, që përfaqësojnë gjatësi ose faktorë shtrirjeje, pavarësisht nga korrelacionet në të dhënat origjinale.
Shtimi i një vlere konstante në të gjitha pikat e të dhënave ndryshon në mënyrë të barabartë vlerat e veçanta dhe përbërësit kryesorë.
Zhvendosja e të dhënave me një konstante ndryshon vlerat e veçanta sepse hyrjet e papërpunuara të matricës ndryshojnë. Megjithatë, meqenëse komponentët kryesorë mbështeten në matricën e kovariancës, e cila në thelb zbrit mesataren, zhvendosja e të dhënave i lë komponentët kryesorë plotësisht të pandryshuar.
Komponenti i parë kryesor gjithmonë kap të gjithë informacionin e vlefshëm.
Komponenti i parë kap vetëm variancën maksimale përgjatë një boshti të vetëm. Nëse të dhënat tuaja shpërndahen në mënyrë sferike ose përmbajnë modele kritike jolineare, një komponent i vetëm linear mund të mos i përfshijë fare strukturat më të rëndësishme.
Zgjidhni komponentët kryesorë kur qëllimi juaj kryesor është të interpretoni, vizualizoni ose zvogëloni tiparet e një grupi të dhënash statistikore bazuar në variancë. Zgjidhni vlerat njëjëse kur duhet të zgjidhni sisteme lineare, të kompresoni matricat ose të kryeni llogaritje numerike të qëndrueshme pa u shqetësuar për përpunimin paraprak statistikor.
Abstraksioni matematik i heq realitetet specifike për të zbuluar strukturat universale algjebrike dhe logjike, ndërsa të kuptuarit vizual mbështetet në intuitën gjeometrike, arsyetimin hapësinor dhe imazhet mendore për t'i bërë këto koncepte komplekse menjëherë të prekshme dhe intuitive, duke formuar një qasje të fuqishme të dyfishtë për zgjidhjen e problemeve komplekse matematikore.
Ndërsa algjebra përqendrohet në rregullat abstrakte të operacioneve dhe manipulimin e simboleve për të zgjidhur të panjohurat, gjeometria eksploron vetitë fizike të hapësirës, duke përfshirë madhësinë, formën dhe pozicionin relativ të figurave. Së bashku, ato formojnë themelin e matematikës, duke përkthyer marrëdhëniet logjike në struktura vizuale.
Ndërsa analiza e sekuencave mbështetet në formula algoritmike, matematikore dhe statistikore për të përcaktuar sasinë e rreshtimeve dhe për të nxjerrë metrika të sakta nga të dhënat e renditura, vizualizimi i modeleve i shndërron këto rrjedha komplekse të të dhënave në paraqitje hapësinore intuitive, duke e zhvendosur fokusin nga llogaritjet numerike në njohjen e shpejtë të modeleve nga njerëzit.
Edhe pse duken të ngjashëm dhe ndajnë të njëjtat rrënjë në analizën matematike, një derivat është një shkallë ndryshimi që përfaqëson mënyrën se si një ndryshore reagon ndaj një tjetre, ndërsa një diferencial përfaqëson një ndryshim real, infinitezimal në vetë ndryshoret. Mendoni për derivatin si 'shpejtësinë' e një funksioni në një pikë specifike dhe diferencialin si 'hapin e vogël' të ndërmarrë përgjatë vijës tangjente.
Ekuacionet dhe pabarazitë shërbejnë si gjuhët kryesore të algjebrës, megjithatë ato përshkruajnë marrëdhënie shumë të ndryshme midis shprehjeve matematikore. Ndërsa një ekuacion përcakton një ekuilibër të saktë ku dy anët janë krejtësisht identike, një pabarazi eksploron kufijtë e 'më të madh se' ose 'më të vogël se', shpesh duke zbuluar një gamë të gjerë zgjidhjesh të mundshme në vend të një vlere të vetme numerike.
