論文の概要: Principal Component Analysis versus Factor Analysis

• arxiv url: http://arxiv.org/abs/2110.11261v1
• Date: Thu, 21 Oct 2021 16:43:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 20:54:19.551152
• Title: Principal Component Analysis versus Factor Analysis
• Title（参考訳）: 主成分分析と因子分析
• Authors: Zenon Gniazdowski
• Abstract要約: 本稿では、主成分分析(PCA)と因子分析(FA)の両方に関連する選択問題について論じる。 因子数と主成分数を決定するための新しい基準について論じる。 この基準に適合するFAの因子数を決定するための効率的なアルゴリズムも提案した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The article discusses selected problems related to both principal component analysis (PCA) and factor analysis (FA). In particular, both types of analysis were compared. A vector interpretation for both PCA and FA has also been proposed. The problem of determining the number of principal components in PCA and factors in FA was discussed in detail. A new criterion for determining the number of factors and principal components is discussed, which will allow to present most of the variance of each of the analyzed primary variables. An efficient algorithm for determining the number of factors in FA, which complies with this criterion, was also proposed. This algorithm was adapted to find the number of principal components in PCA. It was also proposed to modify the PCA algorithm using a new method of determining the number of principal components. The obtained results were discussed.
• Abstract（参考訳）: 本稿では、主成分分析(PCA)と因子分析(FA)の両方に関連する選択問題について論じる。 特に,2種類の分析結果を比較した。 PCAとFAの両方に対するベクトル解釈も提案されている。 pcaにおける主成分数とfaにおける因子数を決定する問題について詳細に論じた。 分析された各一次変数のばらつきのほとんどを提示できる、要素数と主成分数を決定するための新しい基準について論じる。 この基準に適合するFAの因子数を決定するための効率的なアルゴリズムも提案した。 このアルゴリズムはPCAの主成分数に適応した。 また,主成分数を決定する新しい手法を用いて,pcaアルゴリズムを修正することを提案した。 得られた結果について考察した。

関連論文リスト

• Contrastive Factor Analysis [70.02770079785559]
  本稿では,新しいコントラスト要因分析フレームワークを提案する。 コントラスト学習の領域において、因子分析の有利な特性を活用することを目的としている。 非負因子分析の解釈可能性特性をさらに活用するために、非負バージョンに拡張される。
  論文  参考訳（メタデータ） (2024-07-31T16:52:00Z)
• On the Correlation between Random Variables and their Principal Components [0.0]
  この記事では、確率変数とそれらを表す主成分との相関係数を記述する代数式を見つけようとする。 この公式を適用して、主成分分析における主成分の数を最適化し、因子分析における因子の数を最適化することができる。
  論文  参考訳（メタデータ） (2023-10-09T20:35:38Z)
• Do algorithms and barriers for sparse principal component analysis extend to other structured settings? [9.339550283840769]
  スパイクされたウィッシュアートモデルに基づく主成分分析問題について検討する。 問題インスタンスの幾何学に依存する基本的な限界を確立する。 自然射影パワー法は,解の統計的に最適に近い近傍に局所収束を示すことを示す。
  論文  参考訳（メタデータ） (2023-07-25T14:30:00Z)
• Generalized Implicit Factorization Problem [29.650588509354606]
  Implicit Factorization Problem は 5 と Ritzenhofen が PKC'09 で最初に導入した。 格子に基づくアルゴリズムを提案し,その効率を一定の条件下で解析する。
  論文  参考訳（メタデータ） (2023-04-18T03:50:05Z)
• End-to-end resource analysis for quantum interior point methods and portfolio optimization [63.4863637315163]
  問題入力から問題出力までの完全な量子回路レベルのアルゴリズム記述を提供する。 アルゴリズムの実行に必要な論理量子ビットの数と非クリフォードTゲートの量/深さを報告する。
  論文  参考訳（メタデータ） (2022-11-22T18:54:48Z)
• Distributed Robust Principal Analysis [0.0]
  分散環境でのロバストな主成分分析問題について検討する。 DCF-PCAと呼ばれるコンセンサス因数分解に基づく最初の分散ロバストな主解析アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-24T05:45:07Z)
• Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
  本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。 このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。 我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
  論文  参考訳（メタデータ） (2021-10-26T08:54:41Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• Eigen Analysis of Self-Attention and its Reconstruction from Partial Computation [58.80806716024701]
  ドット積に基づく自己注意を用いて計算した注意点のグローバルな構造について検討する。 注意点の変動の大部分は低次元固有空間にあることがわかった。 トークンペアの部分的な部分集合に対してのみスコアを計算し、それを用いて残りのペアのスコアを推定する。
  論文  参考訳（メタデータ） (2021-06-16T14:38:42Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)
• Sparse principal component regression via singular value decomposition approach [0.0]
  主成分レグレッション(プライマリコンポーネントレグレッション)は2段階のプロシージャである。 PCAは説明変数のみを用いて実行されるため、主成分は応答変数に関する情報を持たない。 特異値分解法を応用した一段階PCR法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T09:03:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。