Nella PCA, fa differenza se scegliamo i componenti principali della matrice di covarianza inversa O se lasciamo cadere gli autovettori della matrice di covarianza corrispondenti a grandi autovalori?
Questo è legato alla discussione in questo post .
Nella PCA, fa differenza se scegliamo i componenti principali della matrice di covarianza inversa O se lasciamo cadere gli autovettori della matrice di covarianza corrispondenti a grandi autovalori?
Questo è legato alla discussione in questo post .
Risposte:
Si noti che per una matrice di covarianza definita positiva la precisione è .
Quindi gli autovettori rimangono gli stessi, ma gli autovalori della precisione sono i reciproci degli autovalori della covarianza. Ciò significa che i maggiori autovalori della covarianza saranno i più piccoli autovalori della precisione. Poiché hai l'inverso, la chiarezza positiva garantisce che tutti gli autovalori sono maggiori di zero.
Pertanto, se si mantengono gli autovettori relativi ai autovalori più piccoli della precisione, ciò corrisponde al normale PCA. Dato che abbiamo già preso i reciproci ( ), per completare lo sbiancamento dei dati trasformati dovrebbe essere utilizzata solo la radice quadrata degli autovalori di precisione.D - 1