Accueil Finances personnelles En appliquant l'analyse en composantes principales à Predictive Analytics - les nuls

En appliquant l'analyse en composantes principales à Predictive Analytics - les nuls

Vidéo: Indicateurs Statistiques et Analyse en Composante Principale(ACP):application sous SPSS et excel 2025

Vidéo: Indicateurs Statistiques et Analyse en Composante Principale(ACP):application sous SPSS et excel 2025
Anonim

L'analyse en composantes principales (ACP) est une technique précieuse largement utilisée en analyse prédictive et en science des données. Il étudie un ensemble de données pour apprendre les variables les plus pertinentes responsables de la plus grande variation dans cet ensemble de données. PCA est principalement utilisé comme une technique de réduction des données.

Lors de l'élaboration de modèles prédictifs, vous devrez peut-être réduire le nombre d'entités décrivant votre jeu de données. Il est très utile de réduire cette haute dimensionnalité des données grâce à des techniques d'approximation, auxquelles PCA excelle. Les données approximées résument toutes les variations importantes des données originales.

La recherche des variables prédictives les plus importantes est au cœur de la construction d'un modèle prédictif. La façon dont beaucoup l'ont fait est en utilisant une approche de force brute. L'idée est de commencer avec autant de variables pertinentes que possible, puis d'utiliser une approche en entonnoir pour éliminer les fonctionnalités qui n'ont aucun impact, ou aucune valeur prédictive.

L'intelligence et la perspicacité sont apportées à cette méthode en impliquant les parties prenantes des entreprises, car elles ont quelques intuitions sur les variables qui auront le plus grand impact dans l'analyse. L'expérience des scientifiques de données impliqués dans le projet est également importante pour savoir quelles variables utiliser et quels algorithmes utiliser pour un type de données spécifique ou un problème spécifique à un domaine.

Pour faciliter le processus, les scientifiques utilisent de nombreux outils d'analyse prédictive qui facilitent et accélèrent l'exécution de multiples permutations et analyses sur un ensemble de données afin de mesurer l'impact de chaque variable sur cet ensemble de données.

Sachant qu'il y a une grande quantité de données à utiliser, vous pouvez utiliser PCA pour obtenir de l'aide.

Réduire le nombre de variables que vous regardez est une raison suffisante pour employer PCA. De plus, en utilisant PCA, vous vous protégez automatiquement contre le sur-dimensionnement du modèle.

Certes, vous pourriez trouver une corrélation entre les données météorologiques dans un pays donné et la performance de son marché boursier. Ou avec la couleur des chaussures d'une personne et l'itinéraire qu'elle prend au bureau, et la performance de leur portefeuille pour ce jour. Cependant, inclure ces variables dans un modèle prédictif est plus qu'un simple surapprentissage, c'est trompeur et cela mène à de fausses prédictions.

PCA utilise une approche mathématiquement valide pour déterminer le sous-ensemble de votre ensemble de données qui inclut les fonctionnalités les plus importantes; En construisant votre modèle sur ce jeu de données plus petit, vous aurez un modèle qui a une valeur prédictive pour l'ensemble de données global et plus important avec lequel vous travaillez. En bref, PCA devrait vous aider à comprendre vos variables en identifiant le sous-ensemble de variables responsables de la plus grande variation avec votre ensemble de données original. Il vous aide à repérer la redondance. Cela vous aide à découvrir que deux (ou plus de variables) vous disent la même chose.

De plus, l'analyse des composantes principales prend votre jeu de données multidimensionnel et produit un nouvel ensemble de données dont les variables sont représentatives de la linéarité des variables dans l'ensemble de données original. De plus, l'ensemble de données généré a des variables individuelles non corrélées, et leur variance est ordonnée par leurs composantes principales où la première est la plus grande, et ainsi de suite. À cet égard, PCA peut également être considérée comme une technique de construction de caractéristiques.

Tout en utilisant des techniques PCA ou d'autres techniques similaires qui aident à réduire la dimensionnalité de l'ensemble de données que vous traitez, vous devez toujours faire attention à ne pas affecter négativement les performances du modèle. La réduction de la taille des données ne devrait pas se faire au détriment de l'impact négatif sur la performance (la précision du modèle prédictif). Marcher en toute sécurité et gérer votre ensemble de données avec soin.

La complexité accrue d'un modèle ne se traduit pas par une qualité supérieure du résultat.

Pour préserver la performance du modèle, vous devrez peut-être évaluer soigneusement l'efficacité de chaque variable, en mesurant son utilité dans la mise en forme du modèle final.

Sachant que la PCA peut être particulièrement utile lorsque les variables sont fortement corrélées dans un ensemble de données donné, disposer d'un ensemble de données avec des variables prédictives non corrélées ne peut que compliquer la réduction de la dimensionnalité des données multivariées. De nombreuses autres techniques peuvent être utilisées ici en plus de la PCA, telles que la sélection des fonctions avancées et l'élimination des fonctions vers l'arrière.

PCA n'est pas une solution miracle qui résoudra tous les problèmes liés aux données multidimensionnelles. Son succès dépend fortement des données avec lesquelles vous travaillez. La variance statistique peut ne pas correspondre aux variables ayant les valeurs les plus prédictives, même s'il est sûr de travailler avec de telles approximations.

En appliquant l'analyse en composantes principales à Predictive Analytics - les nuls

Le choix des éditeurs

Passez les examens en améliorant votre mentalité de performance - les nuls

Passez les examens en améliorant votre mentalité de performance - les nuls

Quels que soient les sujets que vous étudiez, êtes à l'école secondaire, au collège, à l'université, ou face à des examens professionnels ou d'entrée, pour passer vos examens, vous devez développer votre esprit de performance d'examen. Faire cela vous aidera à: Développer une attitude d'excellence - toujours viser à atteindre votre meilleur rendement personnel. Décidez exactement de ce que ...

Réussir les examens commence le premier jour de classe - les tirs

Réussir les examens commence le premier jour de classe - les tirs

Sont faciles à supposer aller à des cours, des conférences, des tutoriels ou autres, votre préparation aux examens sera dans quelques mois. Cette hypothèse, cependant, n'est pas utile. Si vous pensez que la préparation aux examens fait partie de chaque cours tous les jours - pas seulement les dernières semaines avant les examens - vous ...

Pour mémoriser l'ordre des opérations du PSAT / NMSQT - mannequins

Pour mémoriser l'ordre des opérations du PSAT / NMSQT - mannequins

L'ordre mathématique des opérations est très important sur les sections mathématiques du PSAT / NMSQT. S'il vous plaît excusez ma chère tante Sally (PEMDAS) est un moyen mnémotechnique (aide-mémoire) qui vous aide à vous rappeler quelle opération vient en premier, qui vient en second lieu, et ainsi de suite. L'ordre compte parce que si vous ignorez tante Sally, vous vous retrouvez avec la mauvaise réponse. ...

Le choix des éditeurs

10 Bonnes façons d'utiliser Bitcoin - les nuls

10 Bonnes façons d'utiliser Bitcoin - les nuls

Si vous voulez utiliser le bitcoin comme une forme d'éducation monétaire virtuelle, Utilisez-le comme un revenu supplémentaire, ou regardez-le dans une perspective d'investissement, bitcoin vous permet de faire à peu près tout ce que vous pouvez imaginer. Voici dix des meilleures façons d'utiliser Bitcoin, même s'il y en a beaucoup, beaucoup ...

Bitcoin Clés publiques et privées - nuls

Bitcoin Clés publiques et privées - nuls

Il y a plus qu'un portefeuille bitcoin que juste l'adresse elle-même. Il contient également la clé publique et privée pour chacune de vos adresses bitcoin. Votre clé privée bitcoin est une chaîne générée aléatoirement (chiffres et lettres), permettant de dépenser des bitcoins. Une clé privée est toujours liée mathématiquement à l'adresse du porte-monnaie bitcoin, ...

Bitcoin Paper Wallets - mannequins

Bitcoin Paper Wallets - mannequins

Possédant un portefeuille papier bitcoin, l'adresse contenant les bitcoins n'a pas encore été connectée au live blockchain, et n'est donc pas "active". "Jusqu'à ce que le portefeuille soit connecté à la blockchain, il est considéré comme étant en stockage à froid (jargon bitcoin pour un compte hors ligne). Vous pouvez toujours vérifier le solde ...

Le choix des éditeurs

Comment lire les données d'Excel en R - dummies

Comment lire les données d'Excel en R - dummies

Si vous demandez aux utilisateurs de R quelle est la meilleure façon est d'importer des données directement à partir de Microsoft Excel, la plupart d'entre eux répondront probablement que votre meilleure option est d'exporter d'abord Excel vers un fichier CSV, puis utiliser lire. csv () pour importer vos données à R. En fait, c'est toujours le conseil ...

Comment lire les erreurs et les avertissements dans R - dummies

Comment lire les erreurs et les avertissements dans R - dummies

Si quelque chose ne va pas avec votre code, toi. Nous devons l'admettre: Ces messages d'erreur peuvent aller de légèrement confus à complètement incompréhensible si vous n'y êtes pas habitué. Mais ça ne doit pas rester comme ça. Lorsque vous vous serez familiarisé avec les messages d'erreur et d'avertissement de R, vous pourrez rapidement ...

Comment lire la sortie de str () pour les listes dans R - dummies

Comment lire la sortie de str () pour les listes dans R - dummies

Beaucoup de gens qui commencent par R sont déroutés par les listes au début. Il n'y a vraiment pas besoin de cela - une liste n'a que deux parties importantes: les composants et les noms. Et dans le cas des listes sans nom, vous n'avez même pas à vous soucier de ce dernier. Mais si vous regardez la structure ...