Statistikada asosiy komponentlar tahlili
Pendahuluan
Asosiy komponentlar tahlili (PCA) - bu ma'lumotlar to'plamining asosiy xususiyatlarini saqlab qolish bilan birga ma'lumotlarning o'lchamliligini kamaytirish uchun ishlatiladigan statistik usul. U naqshni aniqlash, tasvirni qayta ishlash va genom ma'lumotlarini tahlil qilish kabi sohalarda keng qo'llaniladi, bu yerda katta hajmdagi ma'lumotlar talqin qilish va qayta ishlashni murakkablashtirishi mumkin. PCA muhim ma'lumotlarni yo'qotmasdan ma'lumotlarni soddalashtirishga yordam beradi va bu uni zamonaviy ma'lumotlar tahlilida juda foydali vositaga aylantiradi.
PCA asosiy nazariyasi
PCA ning asosiy printsipi ma'lumotlarni yangi koordinatalar to'plamiga aylantirishdir, bu yerda ma'lumotlardagi maksimal o'zgaruvchanlik birinchi komponent tomonidan, ikkinchi eng yuqori o'zgaruvchanlik ikkinchi komponent tomonidan va boshqalar tomonidan qayd etiladi. Bu komponentlar asosiy komponentlar deb ataladi. Jarayon bir nechta asosiy bosqichlarni o'z ichiga oladi:
1. Ma'lumotlarni standartlashtirish: Turli ma'lumotlar ko'pincha turli xil shkalalarga ega, bu esa PCA natijalariga ta'sir qilishi mumkin. Shuning uchun, ma'lumotlar odatda o'rtacha qiymatni ayirish va standart og'ishga bo'lish orqali standartlashtiriladi.
2. Kovarians matritsasi: Keyingi qadam standartlashtirilgan ma'lumotlarning kovarians matritsasini hisoblashdir. Ushbu matritsa ikkita o'zgaruvchining birgalikda qanday o'zgarishini tushunishga yordam beradi.
3. Xususiy qiymat va Xususiy vektor: Kovarians matritsasining xususiy qiymati va xususiy vektori hisoblanadi. Xususiy vektor asosiy komponentlarning yo'nalishini, xususiy qiymat esa ularning ahamiyatini belgilaydi.
4. Komponentlarni saralash: Asosiy komponentlar o'zlarining xususiy qiymatlariga ko'ra, eng kattasidan eng kichikigacha saralanadi. Asosiy komponentlarni tanlash odatda xususiy qiymatlarga asoslanadi, keyingi tahlil uchun kattaroq xususiy qiymatlarga ega komponentlar tanlanadi.
5. Ma'lumotlarni o'zgartirish: Asl ma'lumotlar keyinchalik keyingi tahlil qilish uchun asosiy komponent maydoniga aylantiriladi.
PCAdagi qadamlar
1. Ma'lumotlarni to'plash
PCAdagi birinchi qadam tegishli ma'lumotlarni to'plashdir. Ushbu ma'lumotlar tahlil mazmunli natijalar berishi uchun yetarlicha katta bo'lishi kerak. Masalan, sog'liqni saqlash sohasidagi amaliyot uchun bemorning bo'yi, vazni, qon bosimi va boshqalar kabi ma'lumotlarini to'plash mumkin.
2. Ma'lumotlarni standartlashtirish
Ma'lumotlar to'plangandan so'ng, uning ichidagi har bir xususiyat (ustun) standartlashtirilishi kerak. Standartlashtirishning asosiy sababi, har bir xususiyat asl shkalasidan qat'i nazar, PCAga teng hissa qo'shishini ta'minlashdir. Standartlashtirish har bir xususiyatdan o'rtacha qiymatni ayirish va keyin uni standart og'ish qiymatiga bo'lish orqali amalga oshiriladi.
Formulatsiya:
\[ Z = \frac{X – \mu}{\sigma} \]
Bu yerda \(X\) asl xususiyat qiymati, \(\mu\) xususiyatning o'rtacha qiymati va \(\sigma\) xususiyatning standart og'ishidir.
3. Kovarians matritsasini yaratish
Keyingi qadam standartlashtirilgan ma'lumotlardan kovariatsiya matritsasini yaratishdir. Kovariatsiya matritsasi - bu xususiyatlarning o'zgaruvchanligini va ular orasidagi munosabatlarni ifodalovchi kvadrat matritsa.
Formulatsiya:
\[ Cov(X, Y) = E[(X – E[X])(Y – E[Y])] \]
bu yerda \(E\) - kutilgan qiymat yoki o'rtacha qiymat.
4. Xususiy qiymatlar va xususiy vektorlarni hisoblash
Kovarians matritsasi yaratilgandan so'ng, keyingi qadam xususiy qiymatlar va xususiy vektorlarni hisoblashdir. Xususiy vektorlar va xususiy qiymatlar PCA ning asosini tashkil qiladi, chunki ular asosiy komponentlarning yo'nalishi va ahamiyatini belgilaydi. Kattaroq xususiy qiymat mos keladigan xususiy vektor tomonidan berilgan yo'nalishda ko'proq dispersiyani ko'rsatadi.
5. Komponentlarni xususiy qiymatlar asosida saralash
Asosiy komponentlar o'zlarining xususiy qiymatlari bo'yicha, eng kattasidan eng kichikigacha saralanadi. Eng katta xususiy qiymatga ega asosiy komponent ma'lumotlarning o'zgaruvchanligiga eng ko'p hissa qo'shadi.
6. Saqlanadigan komponentlar sonini tanlash
Barcha asosiy komponentlarni saqlab qolish shart emas. Komponentlarni tanlash xususiy qiymatlarga asoslangan. Keng tarqalgan yondashuvlardan biri bu "Kumulyativ tushuntirishli o'zgaruvchanlik", bu ma'lumotlardagi umumiy o'zgaruvchanlikning qaysi qismi bir qator asosiy komponentlar tomonidan tushuntirilganligini ko'rsatadi.
7. Ma'lumotlarni o'zgartirish
Yakuniy qadam asl ma'lumotlarni tanlangan asosiy komponent maydonining koordinatalariga aylantirishdir. Ushbu asosiy komponent maydonidagi qiymatlar keyingi tahlil qilinishi mumkin bo'lgan yangi atributlarga aylanadi.
PCA ilovalari
Tasniflash va naqshni aniqlash
PCA tasniflash va naqshlarni aniqlashda keng qo'llaniladi. Ma'lumotlarning o'lchamliligini kamaytirish orqali PCA tasniflash jarayonini samaraliroq qiladi va hisoblash murakkabligini kamaytiradi. Masalan, yuzni aniqlashda PCA tasvirlardagi yuzlarning o'lchamliligini kamaytiradi, shunda kompyuterlar ularni tezroq taniy oladi.
Tasvirni qayta ishlash
PCA muhim tafsilotlarni yo'qotmasdan tasvir hajmini kamaytirishi mumkin. Ushbu usul, shuningdek, obyektni aniqlash, chekkalarni aniqlash va tasvir segmentatsiyasi kabi turli xil ilovalarda ishlatilishi mumkin bo'lgan tasvirlardan xususiyatlarni ajratib olish uchun ham qo'llaniladi.
Genom ma'lumotlarini tahlil qilish
Biologiyada genomik ma'lumotlar ko'pincha juda katta va murakkab bo'ladi. PCA genomik ma'lumotlarning o'lchamliligini kamaytirish uchun ishlatiladi, bu esa ma'lumotlar ichidagi naqshlar va korrelyatsiyalarni aniqlash va tahlil qilishni osonlashtiradi. Bu, ayniqsa, genetik tadqiqotlar va dori vositalarini ishlab chiqishda foydalidir.
Moliya va iqtisodiyot
PCA portfel risklarini tahlil qilish va aksiya narxlarini bashorat qilishda qo'llaniladi. Moliyaviy ma'lumotlarning o'lchamliligini kamaytirish orqali tahlil bozorga sezilarli ta'sir ko'rsatadigan omillarga ko'proq e'tibor qaratishi mumkin.
Xulosa
Asosiy komponentlar tahlili (PCA) statistika va mashinani o'rganishda kuchli usul hisoblanadi. Ma'lumotlarning o'lchamliligini sezilarli darajada yo'qotmasdan kamaytirish orqali PCA yanada samarali va interpretativ tahlilni ta'minlaydi. PCA kuchli bo'lsa-da, uning cheklovlarini tushunish muhimdir: u faqat ma'lumotlar chiziqli tuzilganda samarali bo'ladi. PCA va uning potentsial qo'llanilishini tushunish bizga katta, murakkab ma'lumotlar to'plamlaridan chuqurroq tushunchalarni olish imkonini beradi, bu esa uni zamonaviy ma'lumotlar tahlilida muhim vositaga aylantiradi.
