Bayes kanoni̇k Korelasyon Analizi (Bayes CCA)
Bayesian Canonical Correlation Analysis · Ayrıca şöyle bilinir: Bayesian CCA, probabilistic CCA, BCCA
Bayes kanonik korelasyon analizi, iki veya daha fazla gözlemlenen değişken kümesi arasındaki paylaşılan gizli yapıyı tanımlayan olasılıksal bir üretici modeldir. Model parametrelerine önsel (prior) bilgiler ekleyerek klasik CCA'yı genişletir, bu da tutarlı belirsizlik ölçümü, paylaşılan boyut sayısının otomatik belirlenmesi ve boyutluluğa göre küçük örneklem boyutlarında sağlamlık sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki veya daha fazla eşleşmiş ölçüm kümesine sahip olduğunuzda ve belirsizliği dürüstçe ölçerken paylaşılan yapılarını keşfetmek istediğinizde Bayes CCA'yı kullanın. Özellikle değişken sayısı örneklem boyutuna göre büyük olduğunda değerlidir, çünkü Bayes düzenlileştirmesi klasik CCA'yı etkileyen aşırı uyumu önler veya paylaşılan boyut sayısı bilinmediğinde ve ARD aracılığıyla otomatik olarak çıkarmasını istediğinizde uygundur. Bayes CCA, öğrenilen gizli uzayı aşağı akış tahmin veya tamamlama için kullanmayı planladığınızda da uygundur, çünkü tam bir üretici model sunar. Klasik CCA'nın yerine doğrudan bir yedek olarak, büyük, temiz bir veri kümeniz olduğunda ve yalnızca tanımlayıcı istatistikler olarak kanonik korelasyonlar istediğinizde kullanmayın: ek modelleme karmaşıklığı ve hesaplama süresi o zaman gereksizdir. Ayrıca, uygun olabilirlik (likelihood) uzantıları olmadan kategorik veya ağır çarpık değişkenler için uygun değildir.
Güçlü yönler & sınırlılıklar
- Otomatik İlgililik Belirleme (ARD), paylaşılan gizli boyutların etkili sayısını verilerden çıkarır, ayrı bir model seçimi kriterini ortadan kaldırır.
- Bayes düzenlileştirmesi, klasik CCA'nın sayısal olarak kararsız veya aşırı parametrelenmiş olduğu yüksek boyutlu, küçük örneklem ayarlarında aşırı uyumu kontrol eder.
- Tam sonsal çıkarım, kanonik yönler ve gizli skorlar üzerinde belirsizlik tahminleri üretir, güven aralığı raporlamasını destekler.
- Üretici model, bir görünümün diğerinden tahminini veya tamamlanmasını sağlar, kullanılabilirliği keşifsel analizin ötesine genişletir.
- İkiden fazla çoklu görünüm, aynı gizli değişken çerçevesi içine dahil edilebilir.
- Varyasyonel çıkarım veya MCMC'nin hesaplama maliyeti, klasik CCA'da kullanılan özdeğer ayrıştırmasından önemli ölçüde daha yüksektir ve çok büyük veri kümeleri için darboğaz haline gelir.
- Sonuçlar önsel seçimlere, özellikle ARD hiperönsel ölçeğine bağlıdır; kötü seçilmiş önsel bilgiler gerçek paylaşılan boyutları aşırı küçültebilir.
- Doğrusal Gauss varsayımı, doğrusal olmayan paylaşılan yapıyı kaçırabilir; doğrusal olmayan Bayes CCA uzantıları mevcuttur ancak önemli ölçüde daha karmaşıktır.
- Yazılım desteği, klasik CCA'ya göre daha az yaygındır; uzman uygulamaları gereklidir (örneğin, CCAGFA paketi veya özel MCMC kodu).
- Gizli uzay yalnızca döndürmeye kadar tanımlanır, bu nedenle bireysel kanonik yönler geleneksel bir yorumu eşleştirmek için sonradan işleme gerektirir.
SSS
Bayes CCA, klasik kanonik korelasyon analizinden nasıl farklıdır?
Klasik CCA, genelleştirilmiş bir özdeğer problemi çözer ve kanonik yönler ve korelasyonlar için nokta tahminleri döndürür. Bayes CCA, aynı soruyu önsel bilgilerle bir üretici modele yerleştirir, parametreler üzerinde sonsal dağılımlar, kanonik yönler üzerindeki belirsizlik ve ARD aracılığıyla paylaşılan boyut sayısının otomatik bir tahminini döndürür. Boyutluluk örneklem boyutuna göre yüksek olduğunda daha sağlamdır.
Gizli boyut sayısını önceden seçmem gerekiyor mu?
ARD önsel bilgileri kullanırken hayır. Boyutlar için üst bir sınır belirlersiniz ve ARD mekanizmasının ilgisiz olanları sıfıra doğru küçültmesine izin verirsiniz. ARD hassasiyet hiperparametresi çıkarım sırasında büyüyen boyutlar etkili bir şekilde budanır, bu nedenle aktif boyutluluk veriler tarafından belirlenir.
Bayes CCA ikiden fazla görünümü işleyebilir mi?
Evet. Çerçeve, her görünümün aynı paylaşılan gizli kodun gürültülü bir projeksiyonu olduğunu varsayarak doğal olarak K görünüme genişler. Grup faktör analizi modelleri, CCAGFA çerçevesi gibi, hem paylaşılan hem de görünüm-özgü bileşenlere sahip çoklu görünümlere Bayes CCA'yı genelleştirir.
Hangi yazılım Bayes CCA'yı uygular?
CCAGFA paketi (R ve MATLAB için kullanılabilir, Klami ve ark. ile ilişkilidir) en çok alıntılanan uygulamadır. Stan veya PyMC de özel MCMC uygulamaları için kullanılabilir. scikit-learn veya SPSS gibi ana akım paketlerde standart bir uygulama yoktur.
Klasik CCA yerine Bayes CCA'yı ne zaman tercih etmeliyim?
Örneklem boyutu, her iki görünümdeki değişken sayısına göre büyük olduğunda, klasik CCA sayısal olarak kararsız ve hesaplama açısından önemsizdir. Bu ayarda, daha uzun çalışma süresi, önsel belirleme ve yakınsama kontrolünün Bayes ek yükü, belirsizlik ölçümü veya tahmin açıkça gerekmedikçe nadiren fayda sağlar.
Kaynaklar
- Bach, F. R. & Jordan, M. I. (2005). A probabilistic interpretation of canonical correlation analysis. Technical Report 688, Department of Statistics, University of California, Berkeley. link ↗
- Klami, A., Virtanen, S. & Kaski, S. (2013). Bayesian canonical correlation analysis. Journal of Machine Learning Research, 14, 965-1003. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Canonical Correlation Analysis. ScholarGate. https://scholargate.app/tr/statistics/bayesian-canonical-correlation-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesci Keşifsel Faktör Analizi (BEFA)Psikometri↔ karşılaştır
- Bayesci̇l Temel Bileşen Analizi (BPCA)İstatistik↔ karşılaştır
- Kanonik Korelasyon Analiziİstatistik↔ karşılaştır
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır