การอ่านวิกิพีเดียเกี่ยวกับการวิเคราะห์สหสัมพันธ์แคนนอน (CCA) สำหรับเวกเตอร์สุ่มสองตัวและYฉันสงสัยว่าองค์ประกอบหลัก anslysis (PCA) เหมือนกับ CCA เมื่อX = Yหรือไม่
การอ่านวิกิพีเดียเกี่ยวกับการวิเคราะห์สหสัมพันธ์แคนนอน (CCA) สำหรับเวกเตอร์สุ่มสองตัวและYฉันสงสัยว่าองค์ประกอบหลัก anslysis (PCA) เหมือนกับ CCA เมื่อX = Yหรือไม่
คำตอบ:
ให้เป็นและเป็นเมทริกซ์ข้อมูลแทนสองชุดข้อมูลพร้อมตัวอย่าง (เช่นการสังเกตของเวกเตอร์แถวสุ่มของคุณและ ) ในแต่ละชุด
CCA ค้นหาการรวมกันเชิงเส้นของตัวแปรในและการรวมกันเชิงเส้นของตัวแปรในเพื่อให้พวกเขามีความสัมพันธ์กันมากที่สุดระหว่างกัน จากนั้นจะค้นหาคู่ถัดไปภายใต้ข้อ จำกัด ที่ไม่มีสหสัมพันธ์กับคู่แรก เป็นต้น
ในกรณีที่ (และ ) ชุดค่าผสมเชิงเส้นใด ๆ ในชุดข้อมูลหนึ่งจะมีความสัมพันธ์โดยมีชุดค่าเชิงเส้นเดียวกันในชุดข้อมูลอื่น ดังนั้นคู่ CCA ทั้งหมดจะมีสหสัมพันธ์และลำดับของคู่นั้นโดยพลการ ข้อ จำกัด ที่เหลืออยู่เพียงอย่างเดียวคือการรวมกันเชิงเส้นควรไม่เกี่ยวข้องกัน มีจำนวนอนันต์ของวิธีการที่จะเลือกเป็นผลรวมเชิงเส้น uncorrelated (ทราบว่าน้ำหนักไม่ได้จะต้องมีฉากในพื้นที่มิติ) และใด ๆ ของพวกเขาจะแก้ปัญหาการผลิต CCA ที่ถูกต้อง วิธีหนึ่งดังกล่าวได้รับจาก PCA อย่างแน่นอนเนื่องจากพีซีสองเครื่องใดก็ตามมีความสัมพันธ์เป็นศูนย์
ดังนั้นโซลูชัน PCA จะเป็นโซลูชัน CCA ที่ถูกต้อง แต่มีจำนวน CCA ที่ดีไม่แพ้กันในกรณีนี้
ศาสตร์ CCA ค้นหาทางขวา ( ) และ ( ) เวกเตอร์เอกพจน์ของ , ซึ่งในกรณีนี้เท่ากับ , กับเวกเตอร์ใด ๆ ที่เป็นไอเกนเวกเตอร์ ดังนั้นสามารถเป็นอะไรก็ได้ มะเร็งท่อน้ำดีนั้นรับน้ำหนักรวมกันเป็นเส้นตรงและข ในกรณีนี้มันเดือดลงไปถ่ายเป็นประจำโดยพลการและเปลี่ยนมันด้วยซึ่งแน่นอนจะผลิตทิศทาง uncorrelated
vectors X and Y
นั่นคือตัวแปรสองตัว (คอลัมน์ข้อมูล) หรือสองกรณี (แถว); เนื่องจากเราจะทำการวิเคราะห์ตัวแปร 2)X and Y are the same
คุณต้องการที่จะบอกว่า X = Y หรือวิธีอื่น ๆ รอบ?