- Kiedy nie należy używać PCA?
- Dlaczego PCA nie jest dobre do klasyfikacji?
- Czy PCA jest dobry do klasyfikacji obrazu?
- Kiedy powinieneś zrobić PCA?
Kiedy nie należy używać PCA?
PCA powinien być stosowany głównie dla zmiennych, które są silnie skorelowane. Jeśli związek jest słaby między zmiennymi, PCA nie działa dobrze w celu zmniejszenia danych. Zapoznaj się z matrycą korelacji, aby określić. Zasadniczo, jeśli większość współczynników korelacji jest mniejsza niż 0.3, PCA nie pomoże.
Dlaczego PCA nie jest dobre do klasyfikacji?
PCA do klasyfikacji
To jest pułapka: nie powinniśmy używać PCA w zadaniach klasyfikacyjnych. PCA znajdzie najdokładniejszą reprezentację danych w przestrzeni o niższej wymiarowej. Jednak kierunek maksymalnej wariancji może być bezużyteczny do klasyfikacji.
Czy PCA jest dobry do klasyfikacji obrazu?
Po przeanalizowaniu dwóch różnych zestawów danych obrazu jasne jest, że PCA i LDA mogą być skutecznymi, dokładnymi narzędziami do klasyfikacji obrazów. Kwestie o wysokiej wymiarowości i wielokoliniowości obecne w danych obrazu są skutecznie rozwiązywane za pomocą analizy głównych składników.
Kiedy powinieneś zrobić PCA?
Kiedy/dlaczego korzystać z PCA. Technika PCA jest szczególnie przydatna w przetwarzaniu danych, w których istnieje wielokoliniowość między funkcjami/zmiennymi. PCA można użyć, gdy wymiary funkcji wejściowych są wysokie (e.g. wiele zmiennych). PCA można również wykorzystać do denoising i kompresji danych.