Phân tích thành phần chính (PCA) có loại bỏ nhiễu trong tập dữ liệu không? Nếu PCA không loại bỏ nhiễu trong tập dữ liệu, PCA thực sự làm gì với tập dữ liệu? Ai đó có thể giúp tôi về vấn đề này.
1
Không, nó không loại bỏ "nhiễu" (theo nghĩa là dữ liệu nhiễu sẽ vẫn bị nhiễu). PCA chỉ là một sự chuyển đổi dữ liệu. Mỗi thành phần PCA đại diện cho một sự kết hợp tuyến tính của các yếu tố dự đoán. Và PCA có thể được đặt hàng bởi Eigenvalue của họ: theo nghĩa rộng hơn, Eigenvalue càng lớn thì phương sai càng được bảo vệ. Do đó, chuyển đổi lossless sẽ là khi bạn có nhiều PC như kích thước. Bây giờ, khi bạn chỉ xem xét một số PC có Ev lớn thì bạn sẽ bỏ qua các thành phần ít thay đổi dữ liệu (nhưng đây không phải là "nhiễu").
—
Drey
Như @Drey đã lưu ý, các thành phần phương sai thấp không cần phải là tiếng ồn. Bạn cũng có thể có tiếng ồn là thành phần phương sai cao.
—
Richard Hardy
Cảm ơn bạn. Trên thực tế tôi đã làm những gì @Drey đề cập trong bình luận của anh ấy, tôi đã loại bỏ PC bằng Ev nhỏ mà trước đây tôi nghĩ đó là tiếng ồn bên trong tập dữ liệu. Vì vậy, nếu tôi muốn tiếp tục loại bỏ PC với Ev nhỏ, và sử dụng nó làm đầu vào cho mô hình hồi quy và nó cải thiện hiệu suất của mô hình hồi quy. Tôi có thể nói PCA đã làm cho dữ liệu dễ dàng bị gián đoạn và làm cho dự đoán trở nên chính xác hơn.
—
bbadyalina
@Richard Hardy nếu PCA không phát ra tiếng ồn từ dữ liệu, làm thế nào để chuyển đổi tuyến tính cải thiện tập dữ liệu? Tôi bằng cách nào đó nhầm lẫn về điều này, bởi vì có rất nhiều nhà nghiên cứu đã sử dụng PCA hybrid với mô hình chuỗi thời gian để cải thiện hiệu suất dự đoán so với mô hình chuỗi thời gian thông thường. Cảm ơn bạn đã trả lời của bạn.
—
bbadyalina
Không phải dữ liệu là "dễ dàng" (nó là sự kết hợp tuyến tính của các tính năng) cũng như không dễ để giải thích (giải thích các hệ số trong mô hình hồi quy). Nhưng dự đoán của bạn có thể trở nên chính xác hơn. Thậm chí nhiều hơn, mô hình của bạn có thể khái quát tốt.
—
Drey
