Principal Components Analysis (PCA)

Principal Components Analysis (PCA) is a useful statistical
and widely-used technique for finding patterns in data
of high dimensions. It is useful in reducing dimensionality
and finding new, more informative, uncorrelated features [4].
There are some mathematical concepts that are used in PCA
which covers standard deviation, covariance, eigenvectors
and eigenvalues. PCA is a way of identifying patterns in data
and highlight their similarities and differences. While the
luxury of graphical representation is not available, patterns
can be hard to find in data of high dimensions. Therefore,
PCA is a powerful tool for analyzing data of high dimensions.
The other main advantage of PCA is that once we have
found these patterns in the data, then we could compress
the data, reducing the number of dimensions without much
loss of information. There are six steps to perform PCA
on a set of data which are to get data, subtract the mean,
calculate the covariance matrix, calculate the eigenvectors
and eigenvalues of the covariance matrix and then choose
components for forming a feature vector [5].

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ส่วนประกอบหลัก (PCA) จะเป็นประโยชน์ทางสถิติและเทคนิคที่ใช้กันอย่างแพร่หลายในการค้นหารูปแบบข้อมูลขนาดสูง เป็นประโยชน์ในการลด dimensionalityและค้นหาคุณลักษณะใหม่ เพิ่มเติมข้อมูล uncorrelated [4]มีบางแนวคิดทางคณิตศาสตร์ที่ใช้ในสมาคมซึ่งครอบคลุมลักษณะเฉพาะ แปรปรวน ค่าส่วนเบี่ยงเบนมาตรฐานและเวกเตอร์ วิธีการระบุรูปแบบข้อมูลสมาคมและเน้นความเหมือนและความแตกต่างของพวกเขา ในขณะของภาพไม่มี รูปแบบสามารถหาข้อมูลขนาดสูง ดังนั้นPCA เป็นเครื่องมือที่มีประสิทธิภาพสำหรับการวิเคราะห์ข้อมูลขนาดสูงอื่น ๆ ประโยชน์หลักของสมาคมคือที่เราได้พบข้อมูล รูปแบบเหล่านี้แล้วเราสามารถบีบอัดข้อมูล การลดจำนวนมิติไม่มากการสูญเสียข้อมูล มีขั้นตอนที่ 6 ทำ PCAลบชุดข้อมูลซึ่งจะรับข้อมูล ค่าเฉลี่ยคำนวณเมตริกซ์ความแปรปรวนร่วม คำนวณในลักษณะเฉพาะและเวกเตอร์เมทริกซ์ความแปรปรวนร่วม และเลือกคอมโพเนนต์สำหรับขึ้นรูปเวกเตอร์คุณลักษณะ [5]

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์องค์ประกอบหลัก (PCA) เป็นสถิติที่มีประโยชน์
และเทคนิคที่ใช้กันอย่างแพร่หลายในการหารูปแบบในข้อมูล
ที่มีขนาดสูง มันจะมีประโยชน์ในการลดมิติ
ใหม่และหาข้อมูลเพิ่มเติมคุณสมบัติ uncorrelated [4].
มีบางแนวคิดทางคณิตศาสตร์ที่ใช้ในการเป็น PCA
ซึ่งครอบคลุมส่วนเบี่ยงเบนมาตรฐานความแปรปรวนร่วม eigenvectors
และค่าลักษณะเฉพาะ PCA เป็นวิธีในการระบุรูปแบบในข้อมูล
และเน้นความเหมือนและความแตกต่างของพวกเขา ในขณะที่
ความหรูหราของการแสดงกราฟิกไม่สามารถใช้รูปแบบ
อาจจะยากที่จะหาได้ในข้อมูลที่มีขนาดสูง ดังนั้น
PCA เป็นเครื่องมือที่มีประสิทธิภาพสำหรับการวิเคราะห์ข้อมูลขนาดสูง.
ประโยชน์หลักอื่น ๆ ของ PCA คือว่าเมื่อเราได้
พบรูปแบบเหล่านี้ในข้อมูลแล้วเราสามารถบีบอัด
ข้อมูล, การลดจำนวนของขนาดไม่มาก
สูญเสียข้อมูล มีหกขั้นตอนในการดำเนินการ PCA อยู่
ในชุดของข้อมูลที่จะได้รับข้อมูลที่ลบเฉลี่ยที่
คำนวณเมทริกซ์ความแปรปรวนคำนวณ eigenvectors
และลักษณะเฉพาะของเมทริกซ์ความแปรปรวนและจากนั้นเลือก
ส่วนประกอบสำหรับการขึ้นรูปเวกเตอร์คุณลักษณะ [5]

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์องค์ประกอบหลัก ( PCA ) เป็นสถิติที่เป็นประโยชน์
และใช้กันอย่างแพร่หลายเทคนิคสำหรับการหาข้อมูล
รูปแบบในขนาดสูง มันเป็นประโยชน์ในการลด dimensionality
และหาใหม่ เพิ่มเติมข้อมูล คุณสมบัติ uncorrelated [ 4 ] .
มีบางแนวคิดทางคณิตศาสตร์ที่ใช้ใน PCA
ซึ่งครอบคลุมค่าส่วนเบี่ยงเบนมาตรฐาน ค่าความแปรปรวนร่วม และได้เสนอ
.PCA เป็นวิธีของการระบุรูปแบบในข้อมูล
และเน้นความคล้ายคลึงและความแตกต่างของพวกเขา . ในขณะที่
หรูหราของการเป็นตัวแทน ไม่มีรูปแบบ
สามารถยากที่จะหาข้อมูลในขนาดสูง ดังนั้น
PCA เป็นเครื่องมือที่มีประสิทธิภาพสำหรับวิเคราะห์ข้อมูล ของมิติสูง ประโยชน์หลัก ๆของ PCA

คือว่าเมื่อเราได้พบรูปแบบเหล่านี้ในข้อมูลแล้วเราสามารถบีบอัด
ข้อมูล ลดจํานวนมาก
ขนาดโดยไม่สูญเสียข้อมูล มีหกขั้นตอนที่จะดำเนินการ PCA
บนชุดข้อมูลซึ่งจะต้องได้รับข้อมูล ลบหมายถึง
คำนวณเมทริกซ์ความแปรปรวนร่วมเสนอและคำนวณค่าของเมทริกซ์ความแปรปรวนร่วม

แล้วเลือกส่วนประกอบสร้างคุณลักษณะเวกเตอร์ [ 5 ]