Wiem, że zwykłe PCA nie stosuje probabilistycznego modelu obserwowanych danych. Jaka jest więc podstawowa różnica między PCA a PPCA ? W modelu PPCA utajona zmienna zawiera na przykład zmienne obserwowane , utajone (zmienne nieobserwowane x ) i macierz W , która nie musi być ortonormalna jak w zwykłym PCA. Jeszcze jedna różnica, którą mogę pomyśleć o zwykłym PCA, zapewnia tylko główne składniki, przy czym PPCA zapewnia rozkład prawdopodobieństwa danych.
Czy ktoś mógłby lepiej zrozumieć różnice między PCA i PPCA?
Odpowiedzi:
Celem PPCA nie jest zapewnienie lepszych wyników niż PCA, ale umożliwienie szerokiego zakresu przyszłych rozszerzeń i analiz. W artykule wyraźnie wymieniono niektóre zalety wprowadzenia, tj. / Np .:
„definicja miary prawdopodobieństwa umożliwia porównanie z innymi technikami probabilistycznymi, jednocześnie ułatwiając testy statystyczne i pozwalając na zastosowanie modeli bayesowskich”.
Szczególnie modele bayesowskie przeżywają ostatnio ogromny renesans, np. VAE, „automatyczne kodowanie wariacyjne Bayesa”, https://arxiv.org/abs/1312.6114 . Przedłużenie PCA do wykorzystania w ramach wariacyjnych i podobnych może potencjalnie pozwolić innemu badaczowi powiedzieć „Och, hej, co jeśli zrobię…?”
źródło