Анализа на главни компоненти во статистиката
Пендахулуан
Анализата на главните компоненти (PCA) е статистичка техника што се користи за намалување на димензионалноста на податоците, а воедно се задржуваат основните карактеристики на множеството податоци. Широко се користи во области како што се препознавање обрасци, обработка на слики и анализа на геномски податоци, каде што големите количини на податоци можат да го комплицираат толкувањето и обработката. PCA помага да се поедностават податоците без губење на значајни информации, што ја прави многу корисна алатка во модерната анализа на податоци.
Основна теорија на PCA
Основниот принцип на PCA е трансформација на податоците во нов сет на координати, каде што максималната варијабилност во податоците е снимена од првата компонента, втората највисока варијабилност од втората компонента и така натаму. Овие компоненти се нарекуваат главни компоненти. Процесот вклучува неколку клучни чекори:
1. Стандардизација на податоци: Различните податоци често имаат различни скали, што може да влијае на резултатите од PCA. Затоа, податоците обично се стандардизираат со одземање на средната вредност и делење со стандардната девијација.
2. Коваријантна матрица: Следниот чекор е да се пресмета коваријантната матрица на стандардизираните податоци. Оваа матрица помага во разбирањето како две променливи се менуваат заедно.
3. Сопствена вредност и сопствен вектор: Се пресметуваат сопствената вредност и сопствениот вектор на коваријантната матрица. Сопствениот вектор ја одредува насоката на главните компоненти, додека сопствената вредност ја одредува нивната значајност.
4. Сортирање на компоненти: Главните компоненти се сортираат според нивните сопствени вредности, од најголема до најмала. Изборот на главни компоненти обично се базира на сопствени вредности, при што компонентите со поголеми сопствени вредности се избираат за понатамошна анализа.
5. Трансформација на податоци: Оригиналните податоци потоа се трансформираат во просторот на главните компоненти за понатамошна анализа.
Чекори во PCA
1. Собирање податоци
Првиот чекор во PCA е собирање релевантни податоци. Овие податоци мора да бидат доволно големи за анализата да даде значајни резултати. На пример, за апликација во здравствената заштита, може да се соберат податоци за пациентот како што се висина, тежина, крвен притисок и така натаму.
2. Стандардизација на податоци
Откако ќе се соберат податоците, секоја карактеристика (колона) во неа мора да се стандардизира. Основната причина за стандардизацијата е да се обезбеди дека секоја карактеристика подеднакво придонесува кон PCA, без оглед на нејзината оригинална скала. Стандардизацијата се постигнува со одземање на средната вредност од секоја карактеристика, а потоа нејзино делење со стандардната девијација.
Формулација:
\[ Z = \frac{X - \mu}{\sigma} \]
Каде што \(X\) е оригиналната вредност на карактеристиката, \(\mu\) е средната вредност на карактеристиката, а \(\sigma\) е стандардната девијација на карактеристиката.
3. Создавање на коваријантна матрица
Следниот чекор е да се креира коваријантна матрица од стандардизираните податоци. Коваријантната матрица е квадратна матрица што ја претставува варијабилноста на карактеристиките и односите меѓу нив.
Формулација:
\[ Cov(X, Y) = E[(X – E[X])(Y – E[Y])] \]
Каде што \(E\) е очекуваното или просекот.
4. Пресметување на сопствени вредности и сопствени вектори
Откако ќе се креира коваријансната матрица, следниот чекор е да се пресметаат сопствените вредности и сопствените вектори. Сопствените вектори и сопствените вредности се 'рбетот на PCA бидејќи тие ја одредуваат насоката и значајноста на главните компоненти. Поголема сопствена вредност означува поголема варијанса во насоката дадена од соодветниот сопствен вектор.
5. Сортирање на компоненти врз основа на сопствени вредности
Главните компоненти се сортирани според нивните сопствени вредности, од најголема до најмала. Главната компонента со најголема сопствена вредност најмногу придонесува за варијабилноста во податоците.
6. Избор на бројот на компоненти што треба да се задржат
Не е потребно да се задржат сите главни компоненти. Изборот на компоненти се базира на сопствени вредности. Еден вообичаен пристап е „Кумулативно објаснета варијанса“, што покажува кој дел од вкупната варијанса во податоците се објаснува со голем број главни компоненти.
7. Трансформација на податоци
Последниот чекор е да се трансформираат оригиналните податоци во координатите на избраниот простор на главни компоненти. Вредностите во овој простор на главни компоненти стануваат нови атрибути што можат понатаму да се анализираат.
Апликации за PCA
Класификација и препознавање на обрасци
PCA е широко користен во класификацијата и препознавањето на обрасци. Со намалување на димензионалноста на податоците, PCA го прави процесот на класификација поефикасен и ја намалува компјутерската комплексност. На пример, во препознавањето на лица, PCA ја намалува димензионалноста на лицата на сликите, така што компјутерите можат да ги препознаваат побрзо.
Обработка на слики
PCA може да ја намали големината на сликата без да се изгубат важни детали. Оваа техника се користи и за извлекување карактеристики од сликите што можат да се користат во различни апликации како што се препознавање објекти, детекција на рабови и сегментација на слика.
Анализа на податоци од геном
Во биологијата, геномските податоци често се многу големи и сложени. PCA се користи за намалување на димензионалноста на геномските податоци, олеснувајќи го откривањето и анализата на шемите и корелациите во рамките на податоците. Ова е особено корисно во генетските истражувања и развојот на лекови.
Финансии и економија
PCA се користи во анализата на ризикот од портфолио и предвидувањето на цените на акциите. Со намалување на димензионалноста на финансиските податоци, анализата може повеќе да се фокусира на факторите што значително влијаат на пазарот.
Заклучок
Анализата на главните компоненти (PCA) е моќна техника во статистиката и машинското учење. Со намалување на димензионалноста на податоците без губење на значајни информации, PCA овозможува поефикасна и интерпретативна анализа. Иако PCA е моќна, важно е да се разберат нејзините ограничувања: таа е ефикасна само кога податоците се линеарно структурирани. Разбирањето на PCA и нејзините потенцијални примени ни овозможува да извлечеме подлабоки сознанија од големи, сложени множества податоци, што ја прави суштинска алатка во модерната анализа на податоци.
