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:

การวิเคราะห์องค์ประกอบหลัก (PCA) เป็นเทคนิคที่มีประโยชน์ทางสถิติ
และใช้กันอย่างแพร่หลายในการหารูปแบบในข้อมูล
ขนาดสูง จะเป็นประโยชน์ในการลดมิติ
และหาใหม่ให้ข้อมูลเพิ่มเติมคุณสมบัติ uncorrelated [4].
มีแนวคิดทางคณิตศาสตร์บางอย่างที่ใช้ใน PCA
ซึ่งครอบคลุมส่วนเบี่ยงเบนมาตรฐานความแปรปรวนร่วม, eigenvectors
และลักษณะเฉพาะPCA เป็นวิธีการระบุรูปแบบในข้อมูล
และเน้นความเหมือนและความแตกต่างของพวกเขา ขณะ
ความหรูหราของการแสดงกราฟิกไม่สามารถใช้รูปแบบ
ยากที่จะหาข้อมูลในขนาดสูง จึง
PCA เป็นเครื่องมือที่มีประสิทธิภาพสำหรับการวิเคราะห์ข้อมูลขนาดสูง.
ประโยชน์หลักอื่น ๆ ของ PCA คือว่าเมื่อเราได้พบ
รูปแบบเหล่านี้ในข้อมูลแล้วเราสามารถบีบอัด
ข้อมูล, การลดจำนวนของขนาดที่ไม่มาก
สูญเสียข้อมูล มีหกขั้นตอนที่จะดำเนินการ PCA
กับชุดของข้อมูลที่จะได้รับข้อมูลที่ลบเฉลี่ยที่
คำนวณเมทริกซ์ความแปรปรวนร่วมคำนวณ eigenvectors
และค่าลักษณะเฉพาะของเมทริกซ์ความแปรปรวนร่วมแล้วเลือก
ส่วนประกอบสำหรับการสร้างเวกเตอร์คุณลักษณะ [เป็น 5]

ผลลัพธ์ (ไทย) 2:

วิเคราะห์ส่วนประกอบหลัก (PCA) จะเป็นประโยชน์ทางสถิติ
และเทคนิคที่ใช้กันอย่างแพร่หลายในการค้นหารูปแบบข้อมูล
ขนาดสูง เป็นประโยชน์ในการลด dimensionality
และค้นหาข้อมูลเพิ่มเติม ใหม่ uncorrelated คุณลักษณะ [4] .
มีบางแนวคิดทางคณิตศาสตร์ที่ใช้ในสมาคม
ซึ่งครอบคลุมส่วนเบี่ยงเบนมาตรฐาน แปรปรวน ลักษณะเฉพาะ
และเวกเตอร์ วิธีการระบุรูปแบบข้อมูลสมาคม
และเน้นความเหมือนและความแตกต่างของพวกเขา ในขณะ
ของภาพไม่มี patterns
สามารถหาข้อมูลของมิติที่สูงได้ ดังนั้น,
PCA เป็นเครื่องมือที่มีประสิทธิภาพสำหรับการวิเคราะห์ข้อมูลของสูงขนาด
อื่น ๆ ประโยชน์หลักของสมาคมคือที่เราได้
พบรูปแบบเหล่านี้ในข้อมูล แล้วเราสามารถบีบอัด
ข้อมูล การลดจำนวนมิติไม่มาก
ข้อมูลสูญหาย มีหกขั้นตอนการทำ PCA
ลบชุดข้อมูลซึ่งจะรับข้อมูล ค่าเฉลี่ย,
คำนวณเมตริกซ์ความแปรปรวนร่วม คำนวณในลักษณะเฉพาะ
และเวกเตอร์เมทริกซ์ความแปรปรวนร่วมแล้ว เลือก
ประกอบขึ้นรูปคุณลักษณะเวกเตอร์ [5]

ผลลัพธ์ (ไทย) 3:

คอมโพเนนต์หลักการวิเคราะห์(( R ) PCA Cellular )คือเทคนิคทางสถิติ
และใช้กันอย่างแพร่หลายที่เป็นประโยชน์สำหรับการค้นหาข้อมูลในรูปแบบของขนาดสูง
มันเป็นสิ่งที่มีประโยชน์ในการลดและสวนกันกับ"ความมีมิติเดียว
ซึ่งจะช่วยการค้นหาใหม่เพิ่มเติมความรู้ uncorrelated โดดเด่นไปด้วย:[ 4 ]..
มีแนวความคิดทางคณิตศาสตร์ที่มีใช้ใน( R ) PCA Cellular
ซึ่งครอบคลุมถึง covariance Standard deviation eigenvectors
และ eigenvalues( R ) PCA Cellular เป็นอีกวิธีหนึ่งในการระบุรูปแบบในข้อมูล
และไฮไลต์ความแตกต่างและความคล้ายคลึงของพวกเขา ในขณะที่
ที่หรูหราของตัวอย่าง ภาพ กราฟิกไม่มีรูปแบบ
ซึ่งจะช่วยเป็นการยากที่จะได้พบได้ในข้อมูลของขนาดสูง
( R ) PCA Cellular ดังนั้นจึงเป็นเครื่องมือที่ทรงพลังสำหรับการวิเคราะห์ข้อมูลที่มีขนาดสูง.
ประโยชน์สำคัญอื่นๆของ( R ) PCA Cellular คือเมื่อเรามี
พบรูปแบบเหล่านี้ในข้อมูลนั้นเราจะไม่สามารถบีบอัด
ข้อมูลการลดจำนวนของขนาดโดยไม่สูญเสียมาก
ของข้อมูล. มี 6 ขั้นตอนในการจัดการ( R ) PCA Cellular
ซึ่งจะช่วยในชุดของข้อมูลที่จะได้รับข้อมูลลบหมายถึงที่
คำนวณ Matrix Storage covariance จะคำนวณ eigenvectors
ซึ่งจะช่วยได้และ eigenvalues ของ Matrix Storage covariance แล้วเลือก
ซึ่งจะช่วยสร้างคอมโพเนนต์สำหรับเวกเตอร์โดดเด่นไปด้วย:[ 5 ].