Video: Konsep dasar analisis regresi 2024
Analisis komponen utama (PCA) adalah teknik yang berharga yang digunakan secara meluas dalam analisis ramalan dan sains data. Ia mengkaji dataset untuk mempelajari pembolehubah yang paling relevan yang bertanggungjawab untuk variasi tertinggi dalam dataset itu. PCA kebanyakannya digunakan sebagai teknik pengurangan data.
Semasa membina model ramalan, anda mungkin perlu mengurangkan bilangan ciri yang menerangkan dataset anda. Ia sangat berguna untuk mengurangkan keserupaan data yang tinggi ini melalui teknik penghampiran, di mana PCA cemerlang. Data yang hampir sama merangkumi semua variasi penting data asal.
Sebagai contoh, set ciri data mengenai stok mungkin termasuk harga saham, tertinggi harian dan rendah, jumlah dagangan, purata bergerak 200 hari, nisbah harga kepada pendapatan, kekuatan relatif ke pasaran lain, kadar faedah, dan kekuatan mata wang.
Mencari pemboleh ubah ramalan yang paling penting adalah teras membina model ramalan. Cara yang banyak dilakukan adalah dengan menggunakan pendekatan kekerasan. Idea ini adalah untuk memulakan dengan seberapa banyak pembolehubah yang relevan seperti yang anda boleh, dan kemudian menggunakan pendekatan corong untuk menghapuskan ciri-ciri yang tidak mempunyai kesan, atau tidak ada nilai ramalan.
Kecerdasan dan pemahaman dibawa ke kaedah ini dengan melibatkan pihak berkepentingan perniagaan, kerana mereka mempunyai beberapa hunches tentang pembolehubah mana yang akan mempunyai kesan terbesar dalam analisis. Pengalaman para saintis data yang terlibat dalam projek ini juga penting dalam mengetahui apa pembolehubah untuk berfungsi dengan dan algoritma apa yang digunakan untuk jenis data khusus atau masalah khusus domain.
Untuk membantu proses ini, para saintis data menggunakan banyak alat analitik ramalan yang menjadikannya lebih mudah dan lebih pantas untuk menjalankan pelbagai permutasi dan analisa pada dataset untuk mengukur kesan setiap pemboleh ubah pada dataset tersebut.
Mengetahui bahawa terdapat sejumlah besar data untuk berfungsi, anda boleh menggunakan PCA untuk mendapatkan bantuan.
Mengurangkan bilangan pembolehubah yang anda lihat cukup alasan untuk menggunakan PCA. Di samping itu, dengan menggunakan PCA, anda secara automatik melindungi diri daripada mengatasi model tersebut.
Sudah tentu, anda dapat mencari hubungan antara data cuaca di negara tertentu dan prestasi pasaran sahamnya. Atau dengan warna kasut seseorang dan laluannya ke pejabat, dan prestasi portfolio mereka untuk hari itu. Walau bagaimanapun, termasuk pembolehubah dalam model ramalan lebih daripada sekadar overfitting, ia mengelirukan dan membawa kepada ramalan palsu.
PCA menggunakan pendekatan matematik yang sah untuk menentukan subset dataset anda yang merangkumi ciri yang paling penting; dalam membina model anda pada dataset yang lebih kecil, anda akan mempunyai model yang mempunyai nilai ramalan untuk keseluruhan, dataset yang lebih besar yang anda bekerjasama. Singkatnya, PCA harus membantu anda memahami pemboleh ubah anda dengan mengenal pasti subset pembolehubah yang bertanggungjawab untuk variasi dengan dataset asal anda. Ia membantu anda mengesan lebihan. Ia membantu anda mengetahui bahawa dua (atau lebih banyak pembolehubah) memberitahu anda perkara yang sama.
Selain itu, analisis komponen utama mengambil dataset multidimensi anda dan menghasilkan dataset baru yang pembolehubah mewakili garis lurus pemboleh ubah dalam dataset asal. Di samping itu, dataset yang dihasilkan mempunyai pembolehubah tidak berkorelasi secara individu, dan varians mereka diperintahkan oleh komponen utama mereka di mana yang pertama adalah yang terbesar, dan sebagainya. Dalam hal ini, PCA juga boleh dianggap sebagai teknik untuk membina ciri-ciri.
Semasa menggunakan PCA atau teknik serupa lain yang membantu mengurangkan dimensi dataset yang anda hadapi, anda perlu sentiasa berhati-hati untuk tidak menjejaskan prestasi model negatif. Mengurangkan saiz data tidak boleh datang dengan perbelanjaan yang memberi kesan negatif kepada prestasi (ketepatan model ramalan). Melangkah dengan selamat dan uruskan data anda dengan berhati-hati.
Kerumitan model yang meningkat tidak diterjemahkan kepada kualiti yang lebih tinggi dalam hasilnya.
Untuk memelihara prestasi model, anda mungkin perlu menilai dengan berhati-hati keberkesanan setiap pembolehubah, mengukur kegunaannya dalam membentuk model akhir.
Mengetahui bahawa PCA boleh menjadi sangat berguna apabila pemboleh ubah sangat berkorelasi dalam dataset yang diberikan, maka mempunyai dataset dengan pemboleh ubah ramalan yang tidak berkorelasi hanya dapat merumitkan tugas untuk mengurangkan dimensi data multivariate. Banyak teknik lain boleh digunakan di sini sebagai tambahan kepada PCA, seperti pemilihan ciri ke hadapan dan penghapusan ciri mundur.
PCA bukan peluru ajaib yang akan menyelesaikan semua masalah dengan data pelbagai dimensi. Kejayaannya sangat bergantung pada data yang anda bekerjasama. Varians statistik mungkin tidak menyelaraskan pembolehubah dengan nilai-nilai yang paling ramal, walaupun selamat untuk bekerja dengan perkiraan sedemikian.
