Bayesci̇l Temel Bileşen Analizi (BPCA)
Bayesian Principal Component Analysis · Ayrıca şöyle bilinir: BPCA, Bayesian PCA, probabilistic PCA with Bayesian inference, variational Bayesian PCA
Bayesci̇l temel bileşen analizi, olasılıksal PCA'yı bir Bayesci̇l çerçeveye yerleştirerek, yükleme matrisi üzerine önsel dağılımlar (priors) koyar, böylece ilgisiz bileşenler otomatik olarak budanır. Eksik verileri doğal bir şekilde ele alır ve hem gizli skorlar hem de temsilin boyutu için ilkesel belirsizlik tahminleri 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
Çapraz doğrulama gerektirmeyen bileşen sayısının otomatik olarak belirlenmesini istediğinizde, veri setinin boyut azaltma sırasında ilkesel olarak eksik değerleri doldurması gerektiğinde veya gizli temsil için belirsizlik ölçümünün önemli olduğu durumlarda (örneğin, sonraki olasılıksal modellerde) Bayesci̇l PCA kullanın. Ayrıca, Bayesci̇l önsel dağılımın çözümü düzenlileştirmesi nedeniyle, örneklem büyüklüğünün değişken sayısına göre küçük olduğu durumlarda da tercih edilir. Bileşenlerin adlandırılmış faktörler olarak yorumlanabilirliğinin birincil amaç olduğu durumlarda (keşifsel veya doğrulayıcı faktör analizi daha uygundur), verilerin sürekli yaklaşıma sahip olmayan kategorik veya sıralı olduğu durumlarda veya milyonlarca gözlemi olan çok yüksek boyutlu veriler için hesaplama maliyetinin en aza indirilmesi gerektiğinde (çünkü varyasyonel çıkarım bu ölçekte yavaş olabilir) BPCA kullanmayın.
Güçlü yönler & sınırlılıklar
- Otomatik ilgililik belirlemesi yoluyla etkili bileşen sayısını otomatik olarak belirler, keyfi scree grafiği kararlarını ortadan kaldırır.
- Analizden önce ad hoc doldurma yapmadan, eksik verileri ilkesel, olabilirlik tabanlı bir şekilde ele alır.
- Gizli skorlar için sonsal belirsizlik tahminleri sağlar, bu da sonraki olasılıksal modellemeyi daha tutarlı hale getirir.
- Önsel dağılımlar aracılığıyla yükleme matrisini düzenlileştirir, küçük örneklem veya yüksek boyutlu ortamlarda aşırı uyumu azaltır.
- İlkesel bir model karşılaştırma kriteri sunar (marjinal olabilirlik için varyasyonel alt sınır yaklaşımı).
- Varyasyonel Bayes çıkarımı bir yaklaşımdır; sonsal dağılımın varyansı eksik tahmin edilebilir ve sonuçlar başlangıç değerlerine duyarlı olabilir.
- Klasik PCA'ya göre önemli ölçüde daha yüksek hesaplama maliyeti, özellikle büyük veri kümeleri ve çok sayıda aday bileşen için.
- Gauss gürültüsü ve Gauss önsel dağılım varsayımları, normal olmayan veya ağır kuyruklu veriler için ihlal edilebilir.
- Kullanılan bileşenlerin anlamlı gizli yapılar olarak yorumlanması, standart PCA'da olduğu gibi alan uzmanlığı gerektirir.
SSS
BPCA standart olasılıksal PCA'dan nasıl farklıdır?
Olasılıksal PCA (Tipping & Bishop 1999), analistin bileşen sayısını sabitlemesini gerektiren bir maksimum olabilirlik modelidir. BPCA, yükleme sütunlarına önsel dağılımlar yerleştirerek, ilgisiz bileşenlerin varyasyonel çıkarım sırasında otomatik olarak sıfıra doğru küçülmesini sağlar, böylece boyut seçimi ayrı bir adım yerine uyum prosedürünün bir parçası haline gelir.
BPCA eksik verileri nasıl ele alır?
BPCA, olabilirlik fonksiyonu ile açık bir üretken model tanımladığı için, eksik değerler gözlemlenmeyen gizli nicelikler olarak ele alınır ve varyasyonel çıkarım sırasında dışarıda bırakılır. Gizli skorlar üzerindeki sonsal dağılım, her veri noktasının yalnızca gözlemlenen boyutları kullanılarak hesaplanır ve eksik girişler sonsal tahmin dağılımından doldurulabilir.
BPCA keşifsel faktör analizinin yerini mi alıyor?
Farklı amaçlara hizmet ederler. BPCA, boyut azaltma ve eksik veri doldurma için uygun bir varyans maksimizasyon modelidir; ortak varyansı benzersiz varyanstan ayırmaz. EFA, benzersiz (hata) varyansı açıkça modeller ve yapı keşfi ve ölçek geliştirme için standart araçtır. Amaç gizli yapı ölçümü olduğunda EFA'yı; otomatik bileşen seçimiyle veri sıkıştırma için BPCA'yı seçin.
Hangi yazılım BPCA'yı uygular?
BPCA R paketi, eksik veri doldurma için Bishop'un algoritmasının doğrudan bir uygulamasını sunar. Stan ve PyMC, MCMC aracılığıyla tam özel Bayesci̇l PCA'ya izin verir. Python'daki scikit-learn BayesianGaussianMixture ve ilgili paketler de ilgili varyasyonel Bayesci̇l gizli değişken modellerini destekler.
Başlangıçta kaç aday bileşen belirtmeliyim?
Yaygın bir uygulama, aday bileşenlerin maksimum sayısını beklenenden daha büyük bir değere ayarlamaktır - örneğin, değişken sayısı veya cömert bir üst sınır - ve otomatik ilgililik belirlemesinin fazlalığı budamasına izin vermektir. Nihai etkili rank, hangi bileşen kesinliklerinin büyük değerlere yakınsadığı ile belirlenir, başlangıçtaki üst sınır ile değil.
Kaynaklar
- Bishop, C. M. (1999). Bayesian PCA. In M. S. Kearns, S. A. Solla & D. A. Cohn (Eds.), Advances in Neural Information Processing Systems 11 (pp. 382–388). MIT Press. link ↗
- Tipping, M. E. & Bishop, C. M. (1999). Probabilistic principal component analysis. Journal of the Royal Statistical Society: Series B, 61(3), 611–622. DOI: 10.1111/1467-9868.00196 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Principal Component Analysis. ScholarGate. https://scholargate.app/tr/statistics/bayesian-principal-component-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
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır