何时使用 ICA 而不是 PCA？
When using ICA rather than PCA?
我知道 PCA 和 ICA 都用于降维，在 PCA 中主成分是正交的（不一定独立），但在 ICA 中它们是独立的。有人可以澄清什么时候使用 ICA 而不是 PCA 更好吗？
ICA 不是 降维技术。 ICA 用于分离卷积信号，其维度可能比输入 space 小，但这更像是 副产品 ，并非如此。因此ICA和PCA有不同的应用领域。 PCA 通常用于可视化高维数据（通过选择 2 个主要成分）或简单地将维度降低到可以使用给定方法处理的维度。另一方面，当你有信号时会使用 ICA，这些信号非常复杂并且你想将它们分开，例如两个人在同一个房间里说话，用 2 个麦克风记录。 ICA 将能够分离每个扬声器，而 PCA 会失败。同样，ICA 将寻找非高斯、卷积信号，因此，如果您的数据至少在某种程度上是合理的——本质上是高斯的，它将破坏这种结构（因为潜在的假设是这不是真的）。
我知道 PCA 和 ICA 都用于降维，在 PCA 中主成分是正交的（不一定独立），但在 ICA 中它们是独立的。有人可以澄清什么时候使用 ICA 而不是 PCA 更好吗？
ICA 不是 降维技术。 ICA 用于分离卷积信号，其维度可能比输入 space 小，但这更像是 副产品 ，并非如此。因此ICA和PCA有不同的应用领域。 PCA 通常用于可视化高维数据（通过选择 2 个主要成分）或简单地将维度降低到可以使用给定方法处理的维度。另一方面，当你有信号时会使用 ICA，这些信号非常复杂并且你想将它们分开，例如两个人在同一个房间里说话，用 2 个麦克风记录。 ICA 将能够分离每个扬声器，而 PCA 会失败。同样，ICA 将寻找非高斯、卷积信号，因此，如果您的数据至少在某种程度上是合理的——本质上是高斯的，它将破坏这种结构（因为潜在的假设是这不是真的）。