คำถามติดแท็ก ica

2
ความสัมพันธ์ระหว่างการวิเคราะห์องค์ประกอบอิสระและการวิเคราะห์ปัจจัยคืออะไร?
ฉันยังใหม่กับการวิเคราะห์ส่วนประกอบอิสระ (ICA) และมีเพียงความเข้าใจพื้นฐานของวิธีการ สำหรับฉันดูเหมือนว่า ICA จะคล้ายกับการวิเคราะห์ปัจจัย (FA) โดยมีข้อยกเว้นอย่างหนึ่ง: ICA ถือว่าตัวแปรสุ่มที่สังเกตนั้นเป็นการรวมกันของส่วนประกอบ / ปัจจัยอิสระที่ไม่ใช่แบบเกาส์ในขณะที่แบบจำลอง FA ดั้งเดิมสันนิษฐานว่าตัวแปรสุ่มสังเกต เป็นการรวมกันเชิงเส้นขององค์ประกอบ / ปัจจัยที่มีความสัมพันธ์แบบเกาส์เซียน ถูกต้องหรือไม่

2
ทำให้รู้สึกของการวิเคราะห์องค์ประกอบอิสระ
ฉันเคยเห็นและมีความสุขกับคำถามการทำความเข้าใจการวิเคราะห์องค์ประกอบหลักและตอนนี้ฉันมีคำถามเดียวกันสำหรับการวิเคราะห์องค์ประกอบอิสระ ฉันหมายถึงฉันต้องการคำถามที่ครอบคลุมเกี่ยวกับวิธีการที่เข้าใจง่ายในการทำความเข้าใจ ICA หรือไม่ ฉันต้องการที่จะเข้าใจมัน ฉันต้องการได้รับวัตถุประสงค์ของมัน ฉันต้องการรับความรู้สึกของมัน ฉันเชื่ออย่างยิ่งว่า: คุณไม่เข้าใจอะไรจริงๆเว้นแต่คุณจะอธิบายให้คุณยายฟัง -- Albert Einstein ฉันไม่สามารถอธิบายแนวคิดนี้กับคนธรรมดาหรือยายได้ ทำไมต้องเป็น ICA แนวคิดนี้จำเป็นสำหรับอะไร? คุณจะอธิบายเรื่องนี้กับคนธรรมดาได้อย่างไร
18 intuition  ica 

1
การแยกแหล่งที่มาของส่วนผสมที่นูนออกมาตาบอด?
สมมติว่าฉันมีแหล่งที่มาอิสระ ,และฉันสังเกตการผสมนูน: X 1 , X 2 , . . , X n m Y 1nnnX1,X2,...,XnX1,X2,...,XnX_1, X_2, ..., X_nmmmY1...Ym=a11X1+a12X2+⋯+a1nXn=am1X1+am2X2+⋯+amnXnY1=a11X1+a12X2+⋯+a1nXn...Ym=am1X1+am2X2+⋯+amnXn\begin{align} Y_1 &= a_{11}X_1 + a_{12}X_2 + \cdots + a_{1n}X_n\\ ...&\\ Y_m &= a_{m1}X_1 + a_{m2}X_2 + \cdots + a_{mn}X_n \end{align} กับสำหรับทุกและสำหรับทุก j∑jaij=1∑jaij=1\sum_j a_{ij} = 1iiiaij≥0aij≥0a_{ij} \ge 0i,ji,ji,j สถานะของศิลปะในการกู้คืนXXXจากYYYคืออะไร PCA ไม่เป็นปัญหาเพราะฉันต้องการส่วนประกอบที่สามารถระบุตัวตนได้ ฉันดูที่ …
18 pca  ica 

2
ฉันจะเลือกจำนวนส่วนประกอบสำหรับการวิเคราะห์ส่วนประกอบอิสระได้อย่างไร
ในกรณีที่ไม่มีการคาดเดาที่ดีเกี่ยวกับจำนวนขององค์ประกอบที่จะร้องขอในการวิเคราะห์ส่วนประกอบอิสระฉันกำลังมองหากระบวนการคัดเลือกโดยอัตโนมัติ ฉันคิดว่าเกณฑ์ที่สมเหตุสมผลอาจเป็นจำนวนที่ลดหลักฐานระดับโลกสำหรับความสัมพันธ์ระหว่างองค์ประกอบที่คำนวณได้ นี่คือรหัสเทียมของวิธีการนี้: for each candidate number of components, n: run ICA specifying n as requested number of components for each pair (c1,c2) of resulting components: compute a model, m1: lm(c1 ~ 1) compute a model, m2: lm(c1 ~ c2) compute log likelihood ratio ( AIC(m2)-AIC(m1) ) representing the relative …
11 ica 

3
PCA, ICA และ Laplacian eigenmaps
คำถาม ฉันสนใจวิธีการ Laplacian Eigenmaps มาก ขณะนี้ฉันกำลังใช้เพื่อทำการลดขนาดของชุดข้อมูลทางการแพทย์ของฉัน อย่างไรก็ตามฉันพบปัญหาโดยใช้วิธีการ ตัวอย่างเช่นฉันมีข้อมูลบางอย่าง (สัญญาณสเปกตรัม) และฉันสามารถใช้ PCA (หรือ ICA) เพื่อรับพีซี (หรือไอซี) บางอย่าง ปัญหาคือวิธีการรับมิติที่คล้ายกันลดองค์ประกอบของข้อมูลต้นฉบับโดยใช้ LE? จากวิธีการของไอแลปแมชีทแลปเลียนเราจำเป็นต้องแก้ปัญหาค่าลักษณะเฉพาะทั่วไปซึ่งก็คือ L Y= λ D yLy=λDyL y = \lambda D y ที่นี่ Yyyเป็นไอเกนวีค ถ้าฉันพล็อตเช่น eigenvector 3 อันดับแรก (การแก้ปัญหาตาม 3 eigenvalues) ผลลัพธ์จะไม่สามารถตีความได้ อย่างไรก็ตามเมื่อฉันพล็อตพีซี 3 อันดับแรกและไอซี 3 อันดับแรกผลลัพธ์ดูเหมือนจะชัดเจน (มองเห็น) แสดงข้อมูลต้นฉบับ xxx. ฉันถือว่าเหตุผลเป็นเพราะเมทริกซ์ LLL ถูกกำหนดโดยเมทริกซ์น้ำหนัก …
11 pca  ica 

1
ใช้ kurtosis เพื่อประเมินความสำคัญขององค์ประกอบจากการวิเคราะห์องค์ประกอบอิสระ
ในค่าลักษณะเฉพาะ PCA กำหนดลำดับของส่วนประกอบ ใน ICA ฉันใช้ kurtosis เพื่อรับการสั่งซื้อ มีวิธีการใดบ้างที่ได้รับการยอมรับในการประเมินจำนวน (เนื่องจากฉันมีคำสั่งซื้อ) ของส่วนประกอบที่แตกต่างจากความรู้ก่อนหน้าเกี่ยวกับสัญญาณ

3
ICA จำเป็นต้องใช้ PCA ก่อนหรือไม่
ฉันตรวจสอบเอกสารที่ใช้แอปพลิเคชันโดยบอกว่าใช้ PCA ก่อนที่จะใช้ ICA (ใช้แพ็คเกจ FastICA) คำถามของฉันคือ ICA (fastICA) ต้องการให้ PCA ทำงานก่อนหรือไม่ บทความนี้กล่าวถึง ... มันยังเป็นที่ถกเถียงกันอยู่ว่าการใช้ PCA ล่วงหน้าจะช่วยเพิ่มประสิทธิภาพการทำงานของ ICA โดย (1) การละทิ้งค่าลักษณะเฉพาะขนาดเล็กก่อนที่จะฟอกสีฟันและ (2) ลดความซับซ้อนในการคำนวณโดยลดการพึ่งพาคู่ PCA decorrelates ข้อมูลอินพุต; การพึ่งพาการสั่งซื้อที่สูงขึ้นที่เหลืออยู่จะถูกคั่นด้วย ICA นอกจากนี้ยังมีเอกสารอื่น ๆ จะใช้ PCA ก่อน ICA เช่นนี้ มีข้อดีและข้อเสียอื่น ๆ ในการใช้งาน PCA ก่อน ICA หรือไม่ โปรดระบุทฤษฎีพร้อมด้วยการอ้างอิง
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.