Разъяснение принципа анализа компонентов

Question

Я понимаю принцип анализа компонентов.Я знаю, как это сделать и что на самом деле.Я применил PCA, и мой лучший результат показал два компонента.Я понимаю, что каждый из моих вкладов теперь вносит свой вклад частично в каждый компонент.Что я не понимаю, так это как передать результат PCA (в моем случае 2 компонента) в модель машинного обучения?Как мы их вводим?

Например, когда я хочу запустить NN для своих функций, я просто могу перейти туда, где они хранятся, и импортировать их, но мой анализ PCA был выполнен в SPSS, и все, что он показывает мне, - это вкладмои функции на каждом компоненте.

Что я должен импортировать в мою модель NN?

Answer 1

PCA - это метод выделения признаков, который используется, чтобы избежать проблемы коллинеарности. Например, если несколько переменных сильно коррелированы из-за того, что «они измеряют одну и ту же вещь», то PCA может извлечь меру «этой вещи» (технически: компонент), которая называется оценкой. Ваш набор данных, скажем, из 100 измеренных переменных может сократить, скажем, до 10 значимых компонентов. Затем вы можете использовать баллы, которые ваши тестируемые получили по этим 10 компонентам, например, для многомерной регрессии, кластерного анализа или анализа дискриминанта. Это приведет к более достоверным результатам, чем выполнение анализа непосредственно по 100 переменным. Таким образом, процедура состоит в том, чтобы отсортировать собственные значения (и -векторы) по размеру, определить количество значимых компонентов p (например, по графическому экрану), установить матрицу проекции F (собственные векторы, соответствующие наибольшим q собственным значениям в столбцах) и умножить его на матрицу данных D . Это даст вам матрицу баллов C (измерение n раз q , с n номером теста лиц), которые вы можете использовать в качестве входных данных для любого метода, который хотите использовать следующим.