Anailís Phríomhchodanna i Staitisticí
Pendahuuan
Is teicníc staitistiúil í Anailís Phríomh-Chomhpháirteanna (PCA) a úsáidtear chun toisí sonraí a laghdú agus tréithe riachtanacha an tacair sonraí a choinneáil. Úsáidtear go forleathan í i réimsí ar nós aitheantas patrún, próiseáil íomhá, agus anailís sonraí géanómacha, áit a bhféadfadh méideanna móra sonraí léirmhíniú agus próiseáil a dhéanamh níos casta. Cuidíonn PCA le sonraí a shimpliú gan faisnéis shuntasach a chailleadh, rud a fhágann gur uirlis an-úsáideach í in anailís sonraí nua-aimseartha.
Teoiric Bhunúsach PCA
Is é bunphrionsabal PCA ná sonraí a chlaochlú ina sraith nua comhordanáidí, áit a ngabhann an chéad chomhpháirt an athraitheacht is mó sna sonraí, an dara comhpháirt an athraitheacht is airde, agus mar sin de. Tugtar príomhchomhpháirteanna ar na comhpháirteanna seo. Tá roinnt céimeanna tábhachtacha sa phróiseas:
1. Caighdeánú Sonraí: Is minic a bhíonn scálaí difriúla ag sonraí difriúla, rud a d’fhéadfadh tionchar a imirt ar thorthaí PCA. Dá bhrí sin, is gnách go ndéantar sonraí a chaighdeánú tríd an meán a dhealú agus a roinnt ar an diall caighdeánach.
2. Maitrís Chomhathraitheachta: Is é an chéad chéim eile maitrís chomhathraitheachta na sonraí caighdeánaithe a ríomh. Cuidíonn an maitrís seo le tuiscint a fháil ar an gcaoi a n-athraíonn dhá athróg le chéile.
3. Luach Díreach agus Veicteoir Díreach: Ríomhtar luach díreach agus veicteoir díreach an mhaitrís chomhathraitheachta. Cinneann an veicteoir díreach treo na bpríomhchodanna, agus cinneann an luach díreach a suntasacht.
4. Sórtáil Comhpháirteanna: Déantar príomhchodanna a shórtáil de réir a luachanna dílse, ón gceann is mó go dtí an ceann is lú. De ghnáth, bíonn roghnú príomhchodanna bunaithe ar luachanna dílse, agus roghnaítear comhpháirteanna a bhfuil luachanna dílse níos mó acu le haghaidh anailíse breise.
5. Claochlú Sonraí: Déantar na sonraí bunaidh a chlaochlú ansin go spás príomhchodanna le haghaidh tuilleadh anailíse.
Céimeanna i PCA
1. Bailiú Sonraí
Is é an chéad chéim i PCA ná sonraí ábhartha a bhailiú. Ní mór na sonraí seo a bheith mór go leor chun go dtabharfaidh an anailís torthaí bríocha. Mar shampla, i gcás feidhmchláir chúram sláinte, d'fhéadfaí sonraí othar a bhailiú amhail airde, meáchan, brú fola, agus mar sin de.
2. Caighdeánú Sonraí
Tar éis na sonraí a bhailiú, ní mór gach gné (colún) laistigh de a chaighdeánú. Is é an réasúnaíocht atá taobh thiar den chaighdeánú ná a chinntiú go gcuireann gach gné go cothrom leis an PCA, beag beann ar a scála bunaidh. Baintear amach caighdeánú tríd an meán a dhealú ó gach gné agus ansin é a roinnt ar an diall caighdeánach.
Foirmliú:
\[ Z = \frac{X – \mu}{\sigma} \]
I gcás ina seasann \(X\) don luach gné bunaidh, seasann \(\mu\) don mheánghné, agus seasann \(\sigma\) don diall caighdeánach gné.
3. Maitrís Chomhathraitheachta a Chruthú
Is é an chéad chéim eile maitrís chomhathraitheachta a chruthú ó na sonraí caighdeánaithe. Is maitrís chearnógach í maitrís chomhathraitheachta a léiríonn athraitheacht na ngnéithe agus na caidrimh eatarthu.
Foirmliú:
\[ Cov(X, Y) = E[(X – E[X])(Y – E[Y])] \]
Áit a seasann \(E\) don ionchas nó don mheán.
4. Luachanna Dílse agus Veicteoirí Dílse a Ríomh
Nuair a chruthaítear an maitrís chomhathraitheachta, is é an chéad chéim eile ná na luachanna dílse agus na veicteoirí dílse a ríomh. Is iad veicteoirí dílse agus luachanna dílse cnámh droma PCA toisc go gcinnfidh siad treo agus suntasacht na bpríomhchodanna. Léiríonn luach dílse níos mó níos mó athraitheachta sa treo a thugann an veicteoir dílse comhfhreagrach.
5. Comhpháirteanna a Shórtáil Bunaithe ar Luachanna Dílse
Déantar príomhchodanna a shórtáil de réir a luachanna dílse, ón gceann is mó go dtí an ceann is lú. Is í an phríomhchodán leis an luach dílse is mó a chuireann an méid is mó leis an athraitheacht sna sonraí.
6. Líon na gComhpháirteanna le Coinneáil a Roghnú
Ní gá na príomhchodanna uile a choinneáil. Tá roghnú comhpháirteanna bunaithe ar luachanna dílse. Cur chuige coitianta amháin is ea 'Athraitheas Carnach Mínithe,' rud a léiríonn cén cion den athraitheas iomlán sna sonraí a mhínítear le roinnt príomhchodanna.
7. Claochlú Sonraí
Is é an chéim dheireanach ná na sonraí bunaidh a chlaochlú go comhordanáidí an spáis phríomhchodána roghnaithe. Bíonn na luachanna sa spás príomhchodána seo ina dtréithe nua ar féidir anailís bhreise a dhéanamh orthu.
Feidhmchláir PCA
Aicmiú agus Aithint Patrún
Úsáidtear PCA go forleathan in aicmiú agus in aithint patrún. Trí laghdú a dhéanamh ar thoisí sonraí, déanann PCA an próiseas aicmithe níos éifeachtaí agus laghdaíonn sé castacht ríomhaireachtúil. Mar shampla, in aithint aghaidhe, laghdaíonn PCA toisí aghaidheanna in íomhánna ionas gur féidir le ríomhairí iad a aithint níos tapúla.
Próiseáil Íomhá
Is féidir le PCA méid íomhá a laghdú gan sonraí tábhachtacha a chailleadh. Úsáidtear an teicníc seo freisin chun gnéithe a bhaint as íomhánna ar féidir iad a úsáid i bhfeidhmeanna éagsúla amhail aithint réad, braiteadh imeall, agus deighilt íomhá.
Anailís Sonraí Géanóim
Sa bhitheolaíocht, is minic a bhíonn sonraí géanómacha an-mhór agus casta. Úsáidtear PCA chun toise sonraí géanómacha a laghdú, rud a fhágann go bhfuil sé níos éasca patrúin agus comhghaolta laistigh de na sonraí a aimsiú agus a anailísiú. Tá sé seo an-chabhrach i dtaighde géiniteach agus i bhforbairt drugaí.
Airgeadas agus Eacnamaíocht
Úsáidtear PCA in anailís riosca punainne agus i réamhaisnéis praghsanna scaireanna. Trí laghdú a dhéanamh ar thoisí sonraí airgeadais, is féidir le hanailís díriú níos mó ar fhachtóirí a mbíonn tionchar suntasach acu ar an margadh.
Conclúid
Is teicníc chumhachtach í an Anailís Chomhpháirteanna Príomhúla (PCA) i staitisticí agus i bhfoghlaim meaisín. Trí laghdú a dhéanamh ar thoisí sonraí gan faisnéis shuntasach a chailleadh, cuireann PCA ar chumas anailís níos éifeachtaí agus níos léirmhínithí. Cé go bhfuil PCA cumhachtach, tá sé tábhachtach a theorainneacha a thuiscint: níl sé éifeachtach ach amháin nuair a bhíonn na sonraí struchtúrtha go líneach. Trí PCA agus a fheidhmeanna féideartha a thuiscint, is féidir linn léargais níos doimhne a bhaint as tacair sonraí móra, casta, rud a fhágann gur uirlis riachtanach í in anailís sonraí nua-aimseartha.
