简单地讲,PCA是一个降维的过程,ICA则是帮助你从多个维度分离有用数据的过程。
附上两个链接地址:
PCA: Principal Component Analysis explained visually
ICA: What is the difference between PCA and ICA?
主成分分析(PCA)
3D示例:
在三个维度上,PCA更有用,因为很难看清数据云。在下面的例子中,原始数据以3D形式绘制,但您可以通过转换将数据投影到2D中,与查找相机角度不同:旋转轴以找到最佳角度。要查看“官方”PCA转换。
请单击“显示PCA”按钮。PCA变换确保水平轴PC1变化最大,垂直轴PC2次之,第三轴PC3最小。很明显,PC3是我们放弃的。
独立成分分析(ICA)
作为ICA的一个例子,考虑两个图像:
将它们按不同比例混合制作这两种混合物:
如果我们现在将ICA应用于这些图像,我们会得到以下结果:
虽然不是100%完美,但它是两幅混合图像的完美分离。
总结:
当你希望查找数据的排名较低的表示时,PCA可以提供帮助;
当你希望将数据表示形式看作独立的子元素时,ICA可以提供帮助;
通俗的将:PCA有助于压缩数据,而ICA有助于分离数据。
注意1:PCA和SVD是相同的,通常使用中心数据矩阵的SVD更好,因为SVD算法比PCA更快,更稳定。
注意2:在某些情况下,NMF(非负矩阵分解)可以用作ICA。在NMF中,您希望找到的基础是帮助您将数据重建为基础向量的正向求和。这意味着基础将具有表示原始数据部分的矢量,如果数据包含图像,则NMF基础包含部分图像,这些图像可帮助您重建数据集中的任何图像。