Analýza hlavních komponent

Analýza hlavních komponent (Principal Component Analysis, PCA) je v teorii signálu transformace sloužící k dekorelaci dat. Často se používá ke snížení dimenze dat s co nejmenší ztrátou informace.[1] PCA je možno najít také jako Karhunen-Loèveho transformaci, Hotellingovu transformaci, nebo jako singulární rozklad (SVD; v lineární algebře).

Z následujícího vzorce je vidět, že PCA je jen přepsáním vstupu do jiné souřadné soustavy:

$Y=XP$

kde X je centrovaná matice n x d se vstupními d-rozměrnými daty v n řádcích, Y obdobná matice výstupních dat, P je d x d matice vlastních vektorů kovarianční matice $C_{X}$ splňující vztah $C_{X}=P\Lambda P^{T}$ , kde $\Lambda$ je diagonální matice obsahující na diagonále vlastní čísla $C_{X}$ a matice vlastních vektorů $P$ je ortonormální, tj. $P^{T}P=I_{d}$ , kde $I_{d}$ je jednotková matice dimenze $d$ .

Vlastní vektory (sloupce matice P) tvoří onu novou souřadnou soustavu. Centrování matice X dosáhneme odečtením příslušného výběrového průměru od každého sloupce.

Odvození

Matice Y je zřejmě také centrovaná, tj. aritmetický průměr každého jejího sloupce je 0.[2]

Spočítáme, jak musí vypadat kovarianční matice nových dat Y:

$C_{Y}=E(Y^{T}Y)=E[(XP)^{T}(XP)]=E(P^{T}X^{T}XP)=P^{T}E(X^{T}X)P=P^{T}C_{X}P=P^{T}P\Lambda P^{T}P=\Lambda .$

Vzhledem k tomu, že matice $\Lambda$ je diagonální,

$C_{Y}=\Lambda =\left({\begin{matrix}\lambda _{1}&&\\&\ddots &\\&&\lambda _{d}\\\end{matrix}}\right),$

vidíme, že sloupce matice Y jsou nekorelované a výběrový rozptyl každého sloupce se rovná příslušnému vlastnímu číslu.

Použití

Seřadíme-li vlastní vektory v P podle velikosti vlastních čísel $\lambda _{i}$ , budeme dostávat složky v Y setříděné podle rozptylu. Pokud chceme snížit dimenzi dat, stačí z Y vzít jen tolik prvních složek kolik uznáme za vhodné. Vybírání komponenty s největším rozptylem nemusí být vždy nejlepší. Například pokud máme rozpoznávat třídy, které se liší právě ve složkách s malým rozptylem, které tímto postupem zahodíme.

Rozpoznávání

V rozpoznávání slouží PCA jako jedna z tzv. Feature Extraction metod (extrakce rysů). Používají ji například kriminalisté pro rozpoznávání obličejů.

Komprese

Jednoduchá komprese barevného nebo multispektrálního obrazu. Využívá vysoké korelace mezi jednotlivými spektrálními kanály a převede obrázek pomocí PCA na jednu nebo několik málo složek s většinou informace.

Odkazy

Související články

Reference

Martin Sebera - FSpS MU - Vícerozměrné statistické metody. www.fsps.muni.cz [online]. [cit. 2022-01-17]. Dostupné online.
https://k101.unob.cz/~neubauer/pdf/ekon_PCA.pdf
dimensionality reduction - Relationship between SVD and PCA. How to use SVD to perform PCA?. Cross Validated [online]. [cit. 2022-01-17]. Dostupné online.

Externí odkazy

Obrázky, zvuky či videa k tématu Analýza hlavních komponent na Wikimedia Commons
http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf — jednoduché vysvětlení PCA spolu s matematickým základem
https://web.archive.org/web/20040809034742/http://robotics.eecs.berkeley.edu/~rvidal/cvpr03-gpca-final.pdf — vysvětlení pokročilejší zobecněné PCA
Příklady využití analýzy hlavních komponent na zřetelnější zobrazení struktur u grafických souborů (anglicky)

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.

[1] Martin Sebera - FSpS MU - Vícerozměrné statistické metody. www.fsps.muni.cz [online]. [cit. 2022-01-17]. Dostupné online.

[2] ttps://k101.unob.cz/~neubauer/pdf/ekon_PCA.pdf

[3] sionality reduction - Relationship between SVD and PCA. How to use SVD to perform PCA?. Cross Validated [online]. [cit. 2022-01-17]. Dostupné online.