Bagama't madalas na natatagpuan ng mga data scientist ang parehong termino sa dimensionality reduction, inilalarawan ng mga pangunahing bahagi ang mga direksyon ng maximum variance sa isang dataset, samantalang sinusukat ng mga singular value ang magnitude ng scaling kasama ang mga geometric axes na iyon habang nagde-decomposition ang matrix. Ang pag-unawa sa kanilang mathematical bridge ay mahalaga para sa pag-master ng mga algorithm tulad ng PCA at SVD.
Ang mga orthogonal vector na nakaturo sa mga direksyon ng maximum variance, na tumutulong upang gawing simple at paikliin ang high-dimensional na data.
Ang mga diagonal na entry ng isang singular value matrix, na kumakatawan sa mga absolute scaling factor ng isang linear transformation.
| Tampok | Mga Pangunahing Bahagi | Mga Halagahang Isahan |
|---|---|---|
| Pinagmulang Matematikal | Mga eigenvector ng covariance matrix | Mga salik ng matrix decomposition (SVD) |
| Interpretasyong Heometriko | Mga direksyon ng pinakamataas na pagkakaiba-iba | Pag-scale ng mga haba ng pangunahing mga ehe |
| Kinakailangan sa Datos | Nangangailangan ng datos na nakasentro sa mean para sa kahulugang pang-estadistika | Nalalapat sa anumang arbitraryong parihaba o parisukat na matrix |
| Relasyon sa mga Eigenvalue | Katumbas ng mga eigenvalue ng covariance matrix | Katumbas ng mga square root ng mga eigenvalue ng matrix product |
| Pangunahing Aplikasyon | Pagbabawas ng dimensyon at pagkuha ng tampok | Pagbabaligtad ng matris, kalkulasyon ng pseudo-inverse, at pagtatantya ng mababang ranggo |
| Pagdepende sa Iskala | Malaki ang nabago dahil sa paglilipat o pagpapalaki ng datos | Likas na katangian ng partikular na matris na pinaghihiwalay |
| Pisikal na Interpretasyon | Mga ellipse ng isang data cloud | Mga salik na lumalawak ng isang nabagong unit sphere |
Ang mga pangunahing bahagi ay kumakatawan sa mga partikular na direksyon kung saan ang datos ay pinakamalawak na nag-iiba, na nagsisilbing mga bagong axes para sa isang na-optimize na sistema ng coordinate. Sa kabaligtaran, ang mga singular na halaga ay mga scalar na dami na nagpapakita kung gaano kalaki ang pag-unat o pag-compress ng isang matrix sa espasyo sa mga axes na iyon. Habang ang isa ay nagbibigay sa iyo ng oryentasyon ng data cloud, ang isa naman ay sumusukat sa magnitude ng transformasyon mismo.
Para mahanap ang mga pangunahing bahagi ayon sa tradisyonal na pamamaraan, kailangan mong kalkulahin ang mga eigenvector ng covariance matrix ng isang dataset. Ang mga singular value ay lumalabas mula sa Singular Value Decomposition, kung saan ang anumang matrix ay nahahati sa tatlong magkakaibang component matrices. Kapag itinuon mo ang iyong data sa pamamagitan ng pagbabawas ng mean, ang square ng isang singular value na hinati sa sample size na binawasan ng isa ay perpektong katumbas ng variance ng pangunahing bahaging iyon.
Malaki ang pagbabago ng mga pangunahing bahagi kung makakalimutan mong i-mean-center o i-standardize ang iyong datos, dahil ang statistical variance ay lubos na nakasalalay sa origin point at variable scales. Gayunpaman, ang mga singular value ay isang pangunahing algebraic properties ng ibinigay na raw matrix. Wala silang pakialam sa mga statistical assumptions maliban kung sadyang bumuo muna ang user ng isang centered covariance-like matrix.
Ang mga data analyst ay umaasa sa mga pangunahing bahagi upang mailarawan ang mga kumplikado at mataas na dimensyon na mga dataset sa mga simpleng two-dimensional na plot. Sa kabilang banda, ang mga computer vision engineer ay gumagamit ng mga singular na halaga para sa mga sistema ng compression at rekomendasyon ng imahe sa pamamagitan ng mga low-rank matrix approximation. Ang SVD talaga ang ginustong numerical engine sa likod ng PCA dahil ang pagkalkula ng mga singular na halaga ay nakakaiwas sa pagkawala ng katumpakan na nangyayari kapag bumubuo ng isang covariance matrix.
Ang mga pangunahing bahagi at mga isahan na halaga ay mga konseptong ganap na magkakahiwalay.
Ang mga ito ay malalim na magkakaugnay sa pamamagitan ng data centering. Kapag ang isang data matrix ay binawasan ng mean, ang mga singular value nito ay direktang proporsyonal sa square roots ng mga variance sa mga pangunahing bahagi.
Dapat mong palaging kalkulahin ang covariance matrix upang mahanap ang mga pangunahing bahagi.
Bihirang kalkulahin ng modernong software ang covariance matrix dahil nagdudulot ito ng mga numerical rounding error. Sa halip, direktang pinapatakbo ng mga algorithm ang SVD sa data matrix, na mas ligtas at mas mahusay na kinukuha ang mga pangunahing bahagi.
Maaaring negatibo ang mga singular na halaga kung ang datos ay nagpapakita ng negatibong ugnayan.
Ang mga singular na halaga, ayon sa kahulugan, ay ang mga positibong square root ng mga eigenvalue mula sa isang simetrikong matrix. Ang mga ito ay palaging mga hindi negatibong totoong numero, na kumakatawan sa mga haba o mga salik ng pag-uunat, anuman ang mga ugnayan sa orihinal na datos.
Ang pagdaragdag ng isang constant value sa lahat ng data point ay pantay na nagbabago sa mga singular value at principal component.
Ang paglilipat ng datos sa pamamagitan ng isang constant ay nagbabago sa mga singular na halaga dahil nagbabago ang mga raw matrix entries. Gayunpaman, dahil ang mga pangunahing bahagi ay umaasa sa covariance matrix, na likas na nagbabawas sa mean, ang paglilipat ng datos ay nag-iiwan sa mga pangunahing bahagi na ganap na hindi nagbabago.
Ang unang pangunahing bahagi ay palaging kumukuha ng lahat ng mahalagang impormasyon.
Kinukuha lamang ng unang bahagi ang pinakamataas na variance sa isang axis. Kung ang iyong data ay ipinamamahagi nang spherical o naglalaman ng mga kritikal na non-linear pattern, maaaring hindi makita ng isang linear component ang pinakamahalagang istruktura.
Pumili ng mga pangunahing bahagi kapag ang iyong pangunahing layunin ay bigyang-kahulugan, mailarawan, o bawasan ang mga katangian ng isang istatistikal na dataset batay sa variance. Pumili ng mga singular na halaga kapag kailangan mong lutasin ang mga linear na sistema, i-compress ang mga matrice, o magsagawa ng mga matatag na numerical na kalkulasyon nang hindi nababahala tungkol sa statistical preprocessing.
Tinatanggal ng abstraksyon sa matematika ang mga partikular na realidad upang matuklasan ang mga unibersal na istrukturang algebraiko at lohikal, habang ang biswal na pag-unawa ay nakasalalay sa heometrikong intuwisyon, pangangatwirang pang-espasyo, at imaheng pangkaisipan upang gawing agarang nasasalat at madaling maunawaan ang mga kumplikadong konseptong ito, na bumubuo ng isang makapangyarihang dalawahang pamamaraan sa paglutas ng mga kumplikadong problema sa matematika.
Habang ang algebra ay nakatuon sa mga abstraktong tuntunin ng mga operasyon at ang manipulasyon ng mga simbolo upang malutas ang mga hindi alam, ang geometry ay nagsasaliksik sa mga pisikal na katangian ng espasyo, kabilang ang laki, hugis, at relatibong posisyon ng mga pigura. Magkasama, binubuo nila ang pundasyon ng matematika, isinasalin ang mga lohikal na ugnayang ito sa mga biswal na istruktura.
Ang paghahambing na ito ay nagpapaliwanag sa mga estadistikal na konsepto ng mean at median, na naglalarawan kung paano kinakalkula ang bawat panukat ng sentral na tendensya, kung paano sila kumikilos sa iba't ibang dataset, at kung kailan maaaring maging mas impormatibo ang isa kaysa sa isa batay sa distribusyon ng datos at pagkakaroon ng mga outlier.
Ang paghahambing na ito ay nagpapaliwanag sa matematikal na pagkakaiba ng mean at mode, dalawang pangunahing panukat ng sentral na tendensya na ginagamit upang ilarawan ang mga set ng datos, na nakatuon sa kung paano sila kinakalkula, kung paano sila tumutugon sa iba't ibang uri ng datos, at kung kailan pinakamahalaga ang bawat isa sa pagsusuri.
Parehong sinusukat ng anggulo at dalisdis ang 'matarik' ng isang linya, ngunit magkaiba ang kanilang mga lengguwahe sa matematika. Bagama't sinusukat ng anggulo ang pabilog na pag-ikot sa pagitan ng dalawang linyang nagsasalubong sa digri o radian, sinusukat naman ng slope ang patayong 'pagtaas' kaugnay ng pahalang na 'pagtakbo' bilang isang numerical ratio.
