«pca» etiketlenmiş sorular

PCA, LDA, CCA ve PLS arasında nasıl bir ilişki var? Hepsi "spektral" ve lineer cebirsel ve çok iyi anlaşılmış görünüyorlar (çevrelerinde inşa edilmiş 50+ yıl teorisi). Çok farklı şeyler için kullanılırlar (boyutsallığın azaltılması için PCA, sınıflandırma için LDA, regresyon için PLS) ama yine de çok yakın bir ilişki içinde olduklarını …

26 pca  discriminant-analysis  partial-least-squares  canonical-correlation 

Örneğin bir Bayes sınıflandırıcısı aracılığıyla denetimli bir istatistiksel sınıflandırma görevi için bir veri setine sahip olduğumu varsayalım. Bu veri seti 20 özellikten oluşuyor ve Temel Bileşen Analizi (PCA) ve / veya Doğrusal Ayrımcı Analizi (LDA) gibi boyutsallık azaltma teknikleri ile onu 2 özelliğe çıkarmak istiyorum. Her iki teknik de verileri …

25 classification  pca  regularization  discriminant-analysis  overfitting 

Diyelim ki bir regresyon . Neden üst seçerek ilkesi bileşenleri , model üzerindeki öngörü gücünü korumak mu ?Y∼XY∼XY \sim XkkkXXXYYY Ben boyutluluk-azaltma / görüş özellikli seçme noktasında, eğer gelen anlıyoruz kovaryans matrisinin öz vektörleri olduğundan üst ile özdeğerler, ardından üst olan ana bileşenler maksimum varyans ile. Böylece, özelliklerin sayısını azaltabilir …

25 regression  classification  pca  dimensionality-reduction  regularization 

En küçük kareler bağlamında sırt cezası ile ilgili birkaç sorum var: βridge=(λID+X′X)−1X′yβridge=(λID+X′X)−1X′y\beta_{ridge} = (\lambda I_D + X'X)^{-1}X'y 1) İfade, X'in kovaryans matrisinin köşegen bir matrise doğru küçüldüğünü, yani (değişkenlerin işlemden önce standartlaştırıldığı varsayılarak) girdi değişkenleri arasındaki korelasyonun azaltılacağını önermektedir. Bu yorum doğru mu? 2) Eğer büzülme uygulamasıysa neden satırlarına formüle …

25 regression  pca  regularization  ridge-regression 

800 obs ile bir data.frame var. 40 değişkenden biriyim ve öngörümün sonuçlarını geliştirmek için Temel Bileşen Analizi'ni kullanmak istiyorum (şu ana kadar bazı 15 elle toplanan değişkenlerde Support Vector Machine ile en iyi şekilde çalışıyor). Bir prcomp 'ın tahminlerimi geliştirmeme yardımcı olabileceğini biliyorum, ancak prcomp fonksiyonunun sonuçlarını nasıl kullanacağımı bilmiyorum. …

25 r  pca 

Belge kümelemede kullanılan çeşitli teknikleri araştırıyorum ve PCA (temel bileşen analizi) ve LSA (gizli anlamsal analiz) ile ilgili bazı şüphelerimi silmek istiyorum. İlk şey - aralarındaki farklar nelerdir? PCA'da SVD ayrışmasının kovaryans matrisine uygulandığını biliyorum, LSA'da ise terim matrisi. Başka bir şey var mı? İkincisi - belge kümeleme prosedüründeki rolü …

25 clustering  pca  data-mining  svd  lsa 

Bir regresyon durumunda, bir dizi yüksek korelasyonlu değişkeniniz varsa, bunun tahmin edilen katsayılardaki dengesizlikten dolayı genellikle "kötü" olduğunu biliyorum (varyans belirleyici sıfıra giderken sonsuzluğa gider). Sorum şu, “kötülüğün” bir PCA durumunda da devam edip etmeyeceği. Herhangi bir PC için katsayılar / yükler / ağırlıklar / özvektörler kovaryans matrisi tekil hale …

25 pca  multicollinearity 

Normalde temel bileşen analizinde (PCA), ilk birkaç bilgisayar kullanılır ve verilerdeki varyasyonun çoğunu açıklamadığı için düşük değişkenlikteki PC'ler düşer. Bununla birlikte, düşük değişkenlikteki PC'lerin yararlı olduğu (yani, veri bağlamında kullanım, sezgisel bir açıklamaya vb. Sahip olduğu) ve atılmaması gereken örnekler var mı?

24 pca 

Doğrusal boyutsallık azaltma yöntemleri (örneğin, PCA) ve doğrusal olmayanlar (örneğin, Isomap) arasındaki farkları anlamaya çalışıyorum. Doğrusal olmamanın bu bağlamda ne anlama geldiğini tam olarak anlayamıyorum. Ben okunan Vikipedi o Karşılaştırma yapılırsa, aynı veri setini iki boyuta indirmek için PCA (doğrusal bir boyutsallık azaltma algoritması) kullanılırsa, elde edilen değerler o kadar …

24 pca  terminology  dimensionality-reduction  pattern-recognition  manifold-learning 

PCA hakkında birkaç ders önce sınıfta öğrendim ve bu büyüleyici konsept hakkında daha fazla şey kazarak, seyrek PCA hakkında bilgi sahibi oldum. Sormak istedim, yanlış değilsem, PCA'nın seyrek olduğu şey budur: PCA'da, değişkenli veri noktalarınız varsa, PCA'yı uygulamadan önce her veri noktasını boyutlu alanda temsil edebilirsiniz . PCA'yı uyguladıktan sonra, …

24 machine-learning  pca  sparse 

PCA'yı genellikle davaların kabul edildiğinin varsayıldığı veriler için boyutsallık azaltma tekniği olarak kullanıyoruz. Soru: Bağımlı, kimliği olmayan veriler için PCA uygulamasındaki tipik nüanslar nelerdir? PCA'nın kimlik bilgileri için geçerli olan hoş / faydalı özellikleri tehlikeye atılır (veya tamamen kaybolur)? Örneğin, veriler, çok değişkenli bir zaman serisi olabilir; bu durumda, otokorelasyon …

23 time-series  pca  non-independent  iid 

1986 ve 1988'deki iki makalede , Connor ve Korajczyk, varlık getirilerini modellemeye yönelik bir yaklaşım önerdi. Bu zaman serileri, genellikle zaman dönemi gözlemlerinden daha fazla varlığa sahip olduğundan, varlık getirilerinin kesitsel kovaryanslarında bir PCA gerçekleştirmeyi teklif etmişlerdir. Bu yönteme Asimptotik Temel Bileşen Analizi diyorlar (izleyiciler PCA'nın asimptotik özelliklerini hemen düşündüğü …

23 pca  econometrics 

prcomp()Fonksiyonu, R'de bir PCA (temel bileşen analizi) gerçekleştirmek için kullandım. Ancak, bu fonksiyonda na.actionparametrenin çalışmadığı bir hata var . Stackoverflow konusunda yardım istedim ; iki kullanıcı, NAdeğerlerle baş etmek için iki farklı yöntem sundu . Bununla birlikte, her iki çözümde de sorun, bir NAdeğer olduğunda, bu sıranın PCA analizinde düşmemesi …

23 r  pca  missing-data  data-imputation 

PCA'da, sayısı sayısı numune sayısından büyük (hatta eşit) olduğunda , neden en fazla sıfır olmayan özvektörlere sahip olacaksınız ? Başka bir deyişle, kovaryans matrisinin boyutları arasındaki sırası .N N - 1 d ≥ N N - 1dddNNNN−1N−1N-1d≥Nd≥Nd\ge NN−1N−1N-1 Örnek: Örnekleriniz boyutunda vectorized resimlerdir , ancak yalnızca .N = 10d=640×480=307200d=640×480=307200d = …

22 pca  dimensionality-reduction  eigenvalues 

Bu soru ana bileşenleri hesaplamanın etkili bir yoludur. Doğrusal PCA ile ilgili birçok metin, casewise verilerinin tekil değer ayrışımını kullanarak savunur . Veri varsa kendisine, ve değişkenler (kendi değiştirmek istiyor sütun temel bileşenler), yaptığımız SVD: X = U S V ' (. Kare özdeğerler kökleri), tekil değerler ana çapını işgal …

22 pca  algorithms  svd  matrix-decomposition