Czy możliwe jest wykonanie PCA na obrazach o dużych rozmiarach przed klasyfikacją?

1. Kiedy nie należy używać PCA?
2. Dlaczego PCA nie jest dobre do klasyfikacji?
3. Czy PCA jest dobry do klasyfikacji obrazu?
4. 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.