Sử dụng kurtosis để đánh giá tầm quan trọng của các thành phần từ phân tích thành phần độc lập


10

Trong PCA eigenvalues ​​xác định thứ tự của các thành phần. Trong ICA tôi đang sử dụng kurtosis để có được thứ tự. Một số phương pháp được chấp nhận để đánh giá số lượng, (cho tôi có thứ tự) của các thành phần là khác biệt so với kiến ​​thức trước về tín hiệu?


1
Tôi thực sự nghĩ rằng trong ICA, bạn vẫn có thể sử dụng số lượng vectơ bản địa 'đáng kể' (nghĩa là 90% năng lượng), như số lượng các thành phần độc lập.
Spacey

Câu trả lời:


1

Thấy câu hỏi này vẫn thiếu câu trả lời, tôi muốn nhắc lại, như @Tarantula nhận xét, một phương pháp được chấp nhận để chọn đánh giá số lượng thành phần được giữ lại là thông qua phương sai được giải thích. Bạn giữ lại các thành phần được đưa ra một tiêu chí từ PCA làm trắng tiên nghiệm và thực hiện ICA trên các thành phần đó.K

Tôi không biết về bất kỳ phương pháp được chấp nhận nào để thực hiện loại đánh giá này với sự bứt rứt, câu hỏi này có thể không thể trả lời được trong đó.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.