Diferențele dintre descompunerea valorilor singulare (SVD) și analiza principală a componentelor (PCA)

Descompunerea valorilor singulare (SVD) vs componenta principală Analiza (PCA)

Diferențierea dintre descompunerea valorilor singulare (SVD) și analiza principală a componentelor (PCA) poate fi văzută și discutată cel mai bine prin evidențierea a ceea ce fiecare concept și model trebuie să ofere și să furnizeze. Discuția de mai jos vă poate ajuta să le înțelegeți.

În studiul matematicii abstracte, cum ar fi algebra liniară, care este o zonă care este interesată și interesată de studiul spațiilor vectoriale dimensionale infinite, este necesară o descompunere a valorii singulare (SVD). În procesul de descompunere a unei matrice reale sau complexe, descompunerea singulară a valorii (SVD) este benefică și avantajoasă în utilizarea și aplicarea procesării semnalelor.

În tendințele globale, în special în domeniul ingineriei, geneticii și fizică, aplicațiile de degradare a valorii singulare (SVD) sunt importante în derivarea calculelor și cifrelor pentru universul pseudo, aproximarea matricelor și determinarea și definirea intervalului, a spațiului nul și a rangului unei matrice definite și specificate.


În fizica cuantică, în special în teoria cuantică informațională, conceptele de descompunere a valorii singulare (SVD) au fost foarte importante. Descompunerea lui Schmidt a fost folosită pentru că a permis descoperirea în mod natural a două sisteme cuantice care au fost descompuse în mod natural și, prin urmare, au dat și au furnizat probabilitatea de a fi încurcate într-un mediu propice.

Nu în ultimul rând, descompunerea valorilor singulare (SVD) și-a împărtășit utilitatea pentru predicțiile meteorologice numerice în care poate fi utilizat în conformitate cu metodele Lanczos pentru a face estimări mai mult sau mai puțin exacte despre perturbațiile care se dezvoltă rapid în prezicerea rezultatelor meteorologice .

Pe de altă parte, analiza principală a componentelor (PCA) este un proces matematic care aplică o transformare ortogonală pentru a schimba și mai târziu un set de observații notabile ale variabilelor probabil conectate și legate într-o valoare prestabilită a elementelor liniar necorelate numite " componente principale."

Analiza principală a componentelor (PCA) este, de asemenea, definită în standardele și definițiile matematice ca o transformare liniară ortogonală în care modifică și transformă sau transformă informațiile într-un sistem nou de coordonate. Drept rezultat, cea mai mare și cea mai bună varianță de orice proiecție presupusă a informațiilor sau datelor este juxtapusă la coordonata inițială cunoscută și numită "prima componentă principală", și "cea mai bună cea mai bună a doua cea mai mare varianță" pe următoarea coordonată următoare . Ca urmare, urmează și al treilea și al patrulea și restul curând.

În 1901, Karl Pearson a avut momentul oportun să inventeze analiza principală a componentelor (PCA). În prezent, acest lucru a fost considerat foarte util pentru analiza datelor exploratorii și pentru crearea și asamblarea modelelor predictive. În realitate, analiza principală a componentelor (PCA) este cea mai simplă și mai puțin complexă valoare a sistemului de analize multivariate bazate pe eigenvector. În cele mai multe cazuri, se poate presupune că operațiunea și procesul sunt similare cu cele care dezvăluie o structură interioară și un program de informații și date într-un mod care explică foarte mult varianța datelor.

Mai mult, analiza principală a componentelor (PCA) este de obicei asociată de obicei cu analiza factorilor. În acest context, analiza factorului este văzută ca un domeniu regulat, tipic și obișnuit, care încorporează și implică ipoteze cu privire la structura și straturile predeterminate fundamentale și originale pentru a rezolva vectorii proprii într-o matrice oarecum diferită.

Rezumat:

SVD este necesar în matematica abstractă, descompunerea matricei și fizica cuantică.

PCA este utilă în statistici, în special în analizarea datelor exploratorii.

  1. Atât SVD cât și PCA sunt utile în ramurile matematice respective.