Table of Contents
تجزیه و تحلیل اصلی (PCA) یک تکنیک آماری است که برای کاهش ابعاد داده های بزرگ استفاده می شود.این داده ها را در حالی که حفظ اکثر تغییرات، آسان تر تجزیه و تحلیل و تجسم این مقاله بررسی اصول طراحی پشت PCA و برنامه های عملی آن است.
اصول طراحی PCA
PCA بر اساس شناسایی جهت ها، به نام اجزای اصلی، که در امتداد آن داده ها بیشتر متفاوت است، این اجزا یاتوگنال هستند، به این معنی که آنها با یکدیگر ارتباط ندارند. هدف اصلی تبدیل متغیرهای اصلی به مجموعه جدیدی از متغیرهای است که حداکثر تفاوت ها را ثبت می کنند.
این فرآیند شامل محاسبه ماتریس تخمدان داده ها است، سپس یافتن eigenvalues و eigenvectors آن است. eigenvectors تعیین جهت اجزای اصلی، در حالی که ارزش های eigen نشان دهنده اهمیت آنها است.
استفاده عملی از پرونده های PCA
PCA به طور گسترده در زمینه های مختلف برای ساده سازی تجزیه و تحلیل داده ها و بهبود تجسم برنامه های مشترک استفاده می شود:
- فشرده سازی: [FLT 1] کاهش اندازه تصویر در حالی که حفظ کیفیت بصری.
- ژنومیک: الگوهای شناسایی در داده های بیان ژن.
- کاهش تعداد متغیرهای در تجزیه و تحلیل بازار سهام.
- ] یادگیری ماشین: داده های پیش پردازش برای بهبود عملکرد مدل.
راهنمایی های پیاده سازی
هنگام استفاده از PCA، مهم است که داده ها را استاندارد سازی کنید، به ویژه هنگامی که متغیرهای در مقیاس های مختلف قرار دارند، این تضمین می کند که هر متغیر به طور مساوی به تجزیه و تحلیل کمک می کند. علاوه بر این، انتخاب تعداد مناسب از اجزای بستگی به آستانه ی تفاوت های توضیح داده شده دارد.