Video: Benchtop NMR: Interview President Bruker BioSpin 2024
Hovedkomponentanalyse (PCA) er en verdifull teknikk som brukes mye i prediktiv analyse og datavitenskap. Den studerer et datasett for å lære de mest relevante variablene som er ansvarlige for den høyeste varianten i datasettet. PCA brukes hovedsakelig som en datareduksjonsteknikk.
Mens du bygger prediktive modeller, må du kanskje redusere antall funksjoner som beskriver datasettet. Det er veldig nyttig å redusere denne høye dimensionaliteten av data gjennom tilnærmingsteknikker, hvor PCA utmerker seg. De tilnærmede dataene oppsummerer alle viktige variasjoner av de opprinnelige dataene.
For eksempel kan funksjonssettet med data om aksjer inneholde aksjekurser, daglige høyder og nedganger, handelsvolumer, 200-dagers glidende gjennomsnitt, pris-til-tjeningsforhold, relativ styrke til andre markeder, renter og styrken av valutaer.
Å finne de viktigste prediktive variablene er kjernen i å bygge en prediktiv modell. Måten mange har gjort det er ved å bruke en brute force-tilnærming. Tanken er å starte med så mange relevante variabler som mulig, og bruk deretter en tragt tilnærming for å eliminere funksjoner som ikke har noen innvirkning, eller ingen prediktiv verdi.
Intelligensen og innsiktet blir bragt til denne metoden ved å engasjere forretningspartnere, fordi de har noen anelse om hvilke variabler som vil ha størst effekt i analysen. Erfaringen fra datavitenskapene som er involvert i prosjektet, er også viktig for å vite hvilke variabler som skal brukes sammen med og hvilke algoritmer som skal brukes for en bestemt datatype eller et domenespesifikt problem.
For å hjelpe til med prosessen, bruker dataforskere mange prediktive analyseverktøy som gjør det enklere og raskere å kjøre flere permutasjoner og analyser på et datasett for å måle effekten av hver variabel på datasettet.
Å vite at det er mye data å jobbe med, kan du bruke PCA for å få hjelp.
Redusere antall variabler du ser på, er grunn nok til å benytte PCA. I tillegg beskytter du ved å bruke PCA automatisk beskyttelse mot overfitting av modellen.
Sikkert, du kan finne sammenheng mellom værdata i et gitt land og utførelsen av aksjemarkedet. Eller med fargen på en persons sko og ruten hun eller han tar til kontoret, og utførelsen av porteføljen for den dagen. Imidlertid, inkludert de variablene i en prediktiv modell er mer enn bare overfitting, er det misvisende og fører til falske spådommer.
PCA bruker en matematisk gyldig tilnærming til å bestemme delmengden av datasettet som inneholder de viktigste funksjonene; Når du bygger modellen på det mindre datasettet, vil du ha en modell som har forutsigbar verdi for det samlede større datasettet du jobber med. Kort sagt, PCA skal hjelpe deg med å fornemme variablene dine ved å identifisere delmengden av variabler som er ansvarlig for den mest variant med ditt opprinnelige datasett. Det hjelper deg med å oppdage redundans. Det hjelper deg å finne ut at to (eller flere variabler) forteller deg det samme.
Videre tar hovedkomponentanalysen ditt flerdimensjonale datasett og produserer et nytt datasett hvis variabler er representative for lineariteten av variablene i det opprinnelige datasettet. I tillegg har det utgitte datasettet individuelt ukorrelerte variabler, og deres varians er bestilt av deres hovedkomponenter hvor den første er den største og så videre. I denne forbindelse kan PCA også betraktes som en teknikk for konstruksjon av funksjoner.
Mens du bruker PCA eller andre lignende teknikker som bidrar til å redusere dimensjonen til datasettet du har å gjøre med, må du alltid være forsiktig så du ikke påvirker ytelsen til modellen negativt. Redusere størrelsen på dataene bør ikke komme på bekostning av å påvirke ytelsen negativt (nøyaktigheten av den prediktive modellen). Tread trygt og administrer datasettet med forsiktighet.
Den økte kompleksiteten til en modell oversetter ikke til høyere kvalitet i utfallet.
For å bevare modellens ytelse, må du kanskje nøye evaluere effektiviteten til hver variabel, og måle dens brukbarhet i utformingen av den endelige modellen.
Å vite at PCA kan være spesielt nyttig når variablene er høyt korrelerte i et gitt datasett, kan da å ha et datasett med ikke-korrelerte prediktive variabler komplisere kun oppgaven med å redusere dimensjonaliteten til multivariate data. Mange andre teknikker kan benyttes her i tillegg til PCA, for eksempel valg av fremoverfunksjon og eliminering av bakoverfunksjonen.
PCA er ikke en magisk kulde som løser alle problemer med flerdimensjonale data. Dens suksess er svært avhengig av dataene du jobber med. Den statistiske variansen stemmer kanskje ikke overens med variabler med de mest prediktive verdiene, selv om det er trygt å arbeide med slike tilnærminger.
