Différences entre la décomposition de la valeur singulière (DSV) et l'analyse en composantes principales (ACP) Différence entre
Décomposition de la valeur singulière vs composante principale Analyse (ACP)
La distinction entre la décomposition de la valeur singulière (SVD) et l'analyse en composantes principales (ACP) peut être considérée et discutée au mieux en décrivant ce que chaque concept et modèle doit offrir et fournir. La discussion ci-dessous peut vous aider à les comprendre.
Dans l'étude des mathématiques abstraites, telles que l'algèbre linéaire, qui est une zone concernée et qui s'intéresse à l'étude d'espaces vectoriels dimensionnellement infinis dénombrables, la décomposition de la valeur singulière (SVD) est nécessaire. Dans le processus de décomposition matricielle d'une matrice réelle ou complexe, la décomposition de la valeur singulière (SVD) est bénéfique et avantageuse dans l'utilisation et l'application du traitement du signal.
Dans l'écriture formelle et les articles, la Décomposition de Valeur Singulière d'une matrice m × n réelle ou complexe M est une factorisation de la forme
La décomposition de la valeur singulière (SVD) a également été nécessaire pour comprendre les théories et les faits sur les problèmes inverses et est très utile dans le processus d'identification des concepts et des choses comme celui de Tikhonov. La régularisation de Tikhonov est une idée originale d'Andrey Tikhonov. Ce processus est largement utilisé dans la méthode qui implique et utilise l'introduction de plus d'informations et de données afin que l'on puisse résoudre et résoudre les problèmes mal posés.
En physique quantique, en particulier dans la théorie quantique informationnelle, les concepts de décomposition de la valeur singulière (DSV) ont également été très importants. La décomposition de Schmidt a été favorisée car elle a permis la découverte de deux systèmes quantiques décomposés naturellement et, par conséquent, a donné et fourni la probabilité d'être enchevêtrée dans un environnement favorable.
Enfin, Singular Value Decomposition (SVD) a partagé son utilité pour les prévisions météorologiques numériques où il peut être utilisé selon les méthodes de Lanczos pour faire des estimations plus ou moins précises sur les perturbations rapides de la prévision des résultats météorologiques.
D'autre part, l'analyse en composantes principales (PCA) est un processus mathématique qui applique une transformation orthogonale pour changer et plus tard un ensemble d'observations notables de variables probablement connectées et liées en une valeur préétablie d'éléments linéairement décorrélés appelés " composants principaux."
L'analyse en composantes principales (ACP) est également définie dans les normes et définitions mathématiques comme une transformation linéaire orthogonale dans laquelle elle modifie et transforme ou transforme l'information en un nouveau système de coordonnées. En conséquence, la plus grande et la meilleure variance par projection présumée de l'information ou des données est juxtaposée à la coordonnée initiale communément connue et appelée "première composante principale" et "deuxième meilleure variance suivante" sur la coordonnée suivante suivante.. En conséquence, le troisième et le quatrième et le reste suivent aussi bien.
En 1901, Karl Pearson a eu le bon moment pour inventer l'analyse en composantes principales (ACP). Actuellement, cela a été largement crédité pour être très utile et utile dans l'analyse des données exploratoires et pour créer et assembler des modèles prédictifs. En réalité, l'analyse en composantes principales (ACP) est la valeur la plus simple et la moins complexe du véritable système d'analyses multivariées à vecteur propre. Dans la plupart des cas, on peut supposer que l'opération et le processus sont similaires à ceux qui révèlent une structure intérieure et un programme d'information et de données d'une manière qui explique grandement la variance des données.
De plus, l'analyse en composantes principales (ACP) est souvent associée à l'analyse factorielle. Dans ce contexte, l'analyse factorielle est considérée comme un domaine régulier, typique et ordinaire qui incorpore et implique des hypothèses concernant la structure et les strates préétablies fondamentales et originales pour résoudre les vecteurs propres d'une matrice quelque peu dissemblable.
Résumé:
- La SVD est nécessaire dans les mathématiques abstraites, la décomposition matricielle et la physique quantique.
- PCA est utile dans les statistiques, en particulier dans l'analyse des données exploratoires.
- SVD et PCA sont tous deux utiles dans leurs branches respectives des mathématiques.
