په احصایو کې د اصلي برخې تحلیل
پنډاهولوان
د اصلي اجزاو تحلیل (PCA) یو احصایوي تخنیک دی چې د معلوماتو ابعاد کمولو لپاره کارول کیږي پداسې حال کې چې د ډیټاسیټ اړین ځانګړتیاوې ساتي. دا په پراخه کچه د نمونې پیژندنې، د عکس پروسس کولو، او جینومیک ډیټا تحلیل په برخو کې کارول کیږي، چیرې چې د معلوماتو لوی حجم کولی شي تفسیر او پروسس پیچلی کړي. PCA د پام وړ معلوماتو له لاسه ورکولو پرته د معلوماتو ساده کولو کې مرسته کوي، دا د عصري معلوماتو تحلیل کې خورا ګټور وسیله جوړوي.
د PCA بنسټیزه تیوري
د PCA بنسټیز اصل د معلوماتو بدلون د همغږۍ په نوي سیټ کې دی، چیرې چې په معلوماتو کې اعظمي تغیر د لومړي برخې لخوا نیول کیږي، دوهم لوړ تغیر د دوهم برخې لخوا، او داسې نور. دې اجزاو ته اصلي اجزا ویل کیږي. دا پروسه څو کلیدي مرحلې لري:
۱. د معلوماتو معیاري کول: مختلف معلومات ډیری وختونه مختلف پیمانه لري، کوم چې کولی شي د PCA پایلو باندې اغیزه وکړي. له همدې امله، معلومات معمولا د اوسط کمولو او د معیاري انحراف په واسطه ویشلو سره معیاري کیږي.
۲. د کوویرینس میټریکس: بل ګام د معیاري معلوماتو د کوویرینس میټریکس محاسبه کول دي. دا میټریکس د دې په پوهیدو کې مرسته کوي چې څنګه دوه متغیرونه یوځای بدلیږي.
۳. ایګن ویلیو او ایګن ویکتور: د کوویرینس میټریکس ایګن ویلیو او ایګن ویکتور محاسبه کیږي. ایګن ویکتور د اصلي اجزاو سمت ټاکي، پداسې حال کې چې ایګن ویلیو د دوی اهمیت ټاکي.
۴. د اجزاو ترتیب: د اصلي اجزاو د دوی د ایګن ارزښتونو سره سم ترتیب شوي، له لوی څخه تر کوچني پورې. د اصلي اجزاو انتخاب معمولا د ایګن ارزښتونو پراساس وي، د لویو ایګن ارزښتونو سره اجزا د نورو تحلیل لپاره غوره کیږي.
۵. د معلوماتو بدلون: اصلي معلومات بیا د نورو تحلیلونو لپاره د اصلي برخې ځای ته بدلیږي.
په PCA کې ګامونه
۱. د معلوماتو راټولول
په PCA کې لومړی ګام د اړونده معلوماتو راټولول دي. دا معلومات باید دومره لوی وي چې تحلیل معنی لرونکې پایلې ترلاسه کړي. د مثال په توګه، د روغتیا پاملرنې غوښتنلیک لپاره، یو څوک ممکن د ناروغانو معلومات لکه قد، وزن، د وینې فشار، او داسې نور راټول کړي.
۲. د معلوماتو معیاري کول
وروسته له دې چې معلومات راټول شي، د هغې دننه هره ځانګړتیا (ستون) باید معیاري شي. د معیاري کولو تر شا منطق دا دی چې ډاډ ترلاسه شي چې هر ځانګړتیا د PCA سره په مساوي ډول ونډه لري، پرته له دې چې اصلي پیمانه یې په پام کې ونیول شي. معیاري کول د هرې ځانګړتیا څخه د اوسط کمولو او بیا د معیاري انحراف په واسطه ویشلو سره ترلاسه کیږي.
فورمول:
\"Z = \frac{X – \mu}{\sigma} \]
چیرته چې \(X\) د اصلي ځانګړتیا ارزښت دی، \(\mu\) د ځانګړتیا اوسط دی، او \(\sigma\) د ځانګړتیا معیاري انحراف دی.
۳. د کوویرینس میټریکس جوړول
بل ګام د معیاري معلوماتو څخه د کوویریانس میټریکس جوړول دي. کوویریانس میټریکس یو مربع میټریکس دی چې د ځانګړتیاوو تغیر او د دوی ترمنځ اړیکو استازیتوب کوي.
فورمول:
\[ Cov(X, Y) = E[(X – E[X])(Y – E[Y])] \]
چیرته چې \(E\) تمه یا اوسط دی.
۴. د ایګن ارزښتونو او ایګن ویکتورونو محاسبه کول
کله چې د کوویرینانس میټریکس جوړ شي، بل ګام د ایګن ارزښتونو او ایګن ویکتورونو محاسبه کول دي. ایګن ویکتورونه او ایګن ویکتورونه د PCA د ملا تیر دي ځکه چې دوی د اصلي برخو سمت او اهمیت ټاکي. یو لوی ایګن ویلیو د اړونده ایګن ویکتور لخوا ورکړل شوي سمت کې ډیر توپیر په ګوته کوي.
۵. د اجزاو ترتیب د ایګین ارزښتونو پر بنسټ
اصلي اجزا د دوی د ایګن ارزښتونو له مخې ترتیب شوي، له لوی څخه تر کوچني پورې. هغه اصلي جز چې ترټولو لوی ایګن ارزښت لري د معلوماتو په تغیر کې تر ټولو ډیر ونډه لري.
۶. د ساتلو لپاره د اجزاو شمیر غوره کول
ټول اصلي اجزا باید وساتل شي. د اجزاو انتخاب د ایګن ارزښتونو پر بنسټ دی. یو عام چلند 'مجموعي تشریح شوی توپیر' دی، کوم چې دا په ګوته کوي چې په معلوماتو کې د ټول توپیر څومره تناسب د یو شمیر اصلي اجزاو لخوا تشریح شوی.
۳. د معلوماتو بدلون
وروستی ګام دا دی چې اصلي معلومات د ټاکل شوي اصلي برخې ځای په همغږۍ بدل شي. د دې اصلي برخې ځای کې ارزښتونه نوي ځانګړتیاوې کیږي چې نور تحلیل کیدی شي.
د PCA غوښتنلیکونه
طبقه بندي او د نمونې پیژندنه
PCA په پراخه کچه په طبقه بندي او نمونې پیژندنه کې کارول کیږي. د معلوماتو ابعاد کمولو سره، PCA د طبقه بندي پروسه ډیره اغیزمنه کوي او د کمپیوټري پیچلتیا کموي. د مثال په توګه، د مخ پیژندنه کې، PCA په عکسونو کې د مخونو ابعاد کموي ترڅو کمپیوټرونه یې په چټکۍ سره وپیژني.
د انځور پروسس کول
PCA کولی شي د مهمو جزئیاتو له لاسه ورکولو پرته د عکس اندازه کمه کړي. دا تخنیک د عکسونو څخه د ځانګړتیاوو استخراج لپاره هم کارول کیږي چې په مختلفو غوښتنلیکونو لکه د شیانو پیژندنه، د څنډې کشف، او د عکس قطع کولو کې کارول کیدی شي.
د جینوم معلوماتو تحلیل
په بیولوژي کې، جینومیک معلومات اکثرا ډیر لوی او پیچلي وي. PCA د جینومیک معلوماتو ابعاد کمولو لپاره کارول کیږي، چې د معلوماتو دننه د نمونو او اړیکو کشف او تحلیل اسانه کوي. دا په ځانګړي ډول د جینیاتي څیړنې او د درملو پراختیا کې ګټور دی.
مالي او اقتصاد
PCA د پورټ فولیو د خطر تحلیل او د ونډو د نرخ وړاندوینې کې کارول کیږي. د مالي معلوماتو ابعاد کمولو سره، تحلیل کولی شي په هغو فکتورونو ډیر تمرکز وکړي چې په بازار باندې د پام وړ اغیزه کوي.
پایله
د اصلي اجزاو تحلیل (PCA) په احصایو او ماشین زده کړې کې یو پیاوړی تخنیک دی. د معلوماتو ابعاد کمولو سره پرته له دې چې د پام وړ معلومات له لاسه ورکړي، PCA ډیر اغیزمن او تشریحي تحلیل ته اجازه ورکوي. پداسې حال کې چې PCA ځواکمن دی، دا مهمه ده چې د هغې محدودیتونه پوه شي: دا یوازې هغه وخت اغیزمن دی کله چې معلومات په خطي ډول جوړښت ولري. د PCA او د هغې احتمالي غوښتنلیکونو پوهیدل موږ ته اجازه راکوي چې د لویو، پیچلو ډیټاسیټونو څخه ژور بصیرتونه راوباسئ، چې دا د عصري معلوماتو تحلیل کې یو اړین وسیله جوړوي.
