Aðalþáttagreining í tölfræði
Pendahuluan
Aðalþáttagreining (e. Principal Component Analysis, PCA) er tölfræðileg aðferð sem notuð er til að draga úr víddargildi gagna en varðveita samt nauðsynleg einkenni gagnasafnsins. Hún er mikið notuð á sviðum eins og mynsturgreiningu, myndvinnslu og erfðafræðilegri gagnagreiningu, þar sem mikið gagnamagn getur flækt túlkun og vinnslu. PCA hjálpar til við að einfalda gögn án þess að tapa mikilvægum upplýsingum, sem gerir hana að mjög gagnlegu tæki í nútíma gagnagreiningu.
Grunnkenning PCA
Grunnreglan í PCA er umbreyting gagna í nýtt hnitakerfi, þar sem fyrsti þátturinn fangar mesta breytileika gagnanna, seinni þátturinn næstmest breytileiki og svo framvegis. Þessir þættir eru kallaðir aðalþættir. Ferlið felur í sér nokkur lykil skref:
1. Staðlun gagna: Mismunandi gögn hafa oft mismunandi kvarða, sem getur haft áhrif á niðurstöður PCA. Þess vegna eru gögn venjulega stöðluð með því að draga meðaltalið frá og deila með staðalfrávikinu.
2. Samdreifnifylki: Næsta skref er að reikna út samdreifnifylkið fyrir stöðluðu gagnana. Þetta fylki hjálpar til við að skilja hvernig tvær breytur breytast saman.
3. Eigingildi og eiginvigur: Eigingildi og eiginvigur samdreifnifylkisins eru reiknuð út. Eiginvigurinn ákvarðar stefnu aðalþáttanna en eigingildið ákvarðar marktækni þeirra.
4. Röðun íhluta: Aðalíhlutir eru flokkaðir eftir eigingildum sínum, frá stærstu til minnstu. Val á aðalíhlutum byggist venjulega á eigingildum, þar sem íhlutir með stærri eigingildum eru valdir til frekari greiningar.
5. Gagnaumbreyting: Upprunalegu gögnunum er síðan umbreytt í aðalþáttarými til frekari greiningar.
Skref í PCA
1. Gögnasöfnun
Fyrsta skrefið í PCA er að safna viðeigandi gögnum. Þessi gögn verða að vera nógu stór til að greiningin skili marktækum niðurstöðum. Til dæmis, fyrir heilbrigðisþjónustu, gæti maður safnað sjúklingagögnum eins og hæð, þyngd, blóðþrýsting og svo framvegis.
2. Gagnastöðlun
Eftir að gögnunum hefur verið safnað verður að staðla hvern eiginleika (dálk) innan hans. Rökin fyrir stöðlun eru að tryggja að hver eiginleiki leggi jafnt af mörkum til PCA, óháð upprunalegum kvarða hans. Stöðlun næst með því að draga meðaltal frá hverjum eiginleika og deila því síðan með staðalfrávikinu.
Formúla:
\[ Z = \frac{X – \mu}{\sigma} \]
Þar sem \(X\) er upprunalegt eiginleikagildi, \(\mu\) er meðaltal eiginleikans og \(\sigma\) er staðalfrávik eiginleikans.
3. Að búa til samdreifnifylki
Næsta skref er að búa til samdreifnifylki úr stöðluðum gögnum. Samdreifnifylki er ferhyrningsfylki sem táknar breytileika eiginleika og tengslin milli þeirra.
Formúla:
\[ Cov(X, Y) = E[(X – E[X])(Y – E[Y])] \]
Þar sem \(E\) er vænting eða meðaltal.
4. Útreikningur eigingilda og eiginvigra
Þegar samdreifnifylkið hefur verið búið til er næsta skref að reikna út eigingildi og eiginvigra. Eiginvigrar og eigingildi eru burðarás PCA því þeir ákvarða stefnu og mikilvægi meginþáttanna. Stærra eigingildi gefur til kynna meiri dreifni í stefnunni sem samsvarandi eiginvigur gefur til kynna.
5. Að flokka íhluti eftir eigingildum
Aðalþættirnir eru flokkaðir eftir eigingildum sínum, frá stærstu til minnstu. Sá aðalþáttur með stærsta eigingildið leggur mest af mörkum til breytileika gagnanna.
6. Að velja fjölda íhluta sem á að geyma
Ekki þarf að halda öllum meginþáttum. Val á þáttum byggist á eigingildum. Algeng aðferð er „uppsafnað útskýrt dreifni“ sem gefur til kynna hvaða hlutfall af heildardreifni gagnanna er útskýrt af fjölda meginþátta.
7. Gagnaumbreyting
Síðasta skrefið er að umbreyta upprunalegu gögnunum í hnit valins aðalþáttarrýmis. Gildin í þessu aðalþáttarrými verða að nýjum eiginleikum sem hægt er að greina frekar.
PCA umsóknir
Flokkun og mynsturgreining
PCA er mikið notað í flokkun og mynsturgreiningu. Með því að draga úr víddargildi gagna gerir PCA flokkunarferlið skilvirkara og dregur úr flækjustigi reikniaðgerða. Til dæmis, í andlitsgreiningu, dregur PCA úr víddargildi andlita í myndum svo að tölvur geti þekkt þau hraðar.
Myndvinnsla
PCA getur minnkað myndastærð án þess að tapa mikilvægum smáatriðum. Þessi tækni er einnig notuð til að draga út eiginleika úr myndum sem hægt er að nota í ýmsum forritum eins og hlutagreiningu, brúnagreiningu og myndaskiptingu.
Greining erfðamengisgagna
Í líffræði eru erfðafræðileg gögn oft mjög stór og flókin. PCA er notað til að minnka víddarmörk erfðafræðilegra gagna, sem gerir það auðveldara að uppgötva og greina mynstur og fylgni innan gagnanna. Þetta er sérstaklega gagnlegt í erfðafræðilegum rannsóknum og lyfjaþróun.
Fjármál og hagfræði
PCA er notað í áhættugreiningu eignasafna og spám um hlutabréfaverð. Með því að draga úr vídd fjárhagsgagna getur greiningin einbeitt sér betur að þáttum sem hafa veruleg áhrif á markaðinn.
Niðurstaða
Aðalþáttagreining (e. Principal Component Analysis, PCA) er öflug tækni í tölfræði og vélanámi. Með því að minnka víddargildi gagna án þess að tapa verulegum upplýsingum gerir PCA kleift að framkvæma skilvirkari og túlkandi greiningu. Þó að PCA sé öflug er mikilvægt að skilja takmarkanir hennar: hún er aðeins áhrifarík þegar gögnin eru línulega uppbyggð. Að skilja PCA og möguleg notkunarsvið hennar gerir okkur kleift að draga dýpri innsýn úr stórum, flóknum gagnasöfnum, sem gerir hana að nauðsynlegu tæki í nútíma gagnagreiningu.
