PL 
EnglishDomyślny
Українська🔢 PCA — analiza głównych składowych
Obróć chmurę skorelowanych punktów na jej składowe główne i obserwuj, jak wektory własne układają się wzdłuż maksymalnej wariancji przed redukcją wymiarów.
O analizie głównych składowych (PCA)
Ta symulacja pokazuje, jak analiza głównych składowych znajduje kierunki największego rozproszenia w dwuwymiarowej chmurze punktów. Z danych wyśrodkowanych względem średniej buduje macierz kowariancji 2×2, a następnie rozwiązuje zagadnienie własne w postaci zamkniętej, korzystając z λ = ślad/2 ± √(ślad²/4 − wyznacznik). Wektory własne wyznaczają osie główne (PC1 i PC2), a ich wartości własne λ₁ i λ₂ podają wariancję uchwyconą wzdłuż każdego kierunku.
Wybierasz gotowy zestaw danych (chmura skorelowana, skupiska, okrąg, ukośny pas lub szum), ustawiasz liczbę punktów n oraz korelację ρ, a następnie generujesz dane na nowo. Przełączniki rysują strzałki PC1 i PC2 oraz prostopadłe linie rzutowania na PC1, a dolny panel przedstawia histogram rzutowanych wartości. PCA leży u podstaw redukcji wymiarowości, kompresji danych, filtrowania szumu i ekstrakcji cech w statystyce i uczeniu maszynowym.
Najczęściej zadawane pytania
Czym jest analiza głównych składowych?
PCA to technika statystyczna, która obraca osie współrzędnych tak, aby dopasować je do kierunków maksymalnej wariancji w zbiorze danych. Pierwsza główna składowa (PC1) wskazuje kierunek największego rozproszenia, a druga (PC2) jest do niej prostopadła. Jest szeroko stosowana do redukcji wymiarowości przy zachowaniu jak największej ilości informacji.
Jak ten symulator oblicza główne składowe?
Wyśrodkowuje punkty względem średniej, a następnie tworzy macierz kowariancji 2×2 z elementami s₁₁, s₁₂ i s₂₂, wykorzystując dzielnik n−1. Wartości własne wynikają z λ = ślad/2 ± √(ślad²/4 − wyznacznik), a wektory własne podają kierunki główne. To rozwiązanie w postaci zamkniętej jest dokładne dla danych dwuwymiarowych.
Co oznaczają niebieska i czerwona strzałka?
Niebieska strzałka to PC1 — kierunek uchwytujący najwięcej wariancji, a czerwona to PC2, prostopadła do PC1 i uchwytująca resztę. Długość każdej strzałki jest skalowana pierwiastkiem z jej wartości własnej, więc dłuższa strzałka oznacza większe rozproszenie danych wzdłuż tej osi.
Czym jest wyjaśniona wariancja i dlaczego ma znaczenie?
Wyjaśniona wariancja to każda wartość własna wyrażona jako procent całości: λᵢ / (λ₁ + λ₂). Mówi, jaką część ogólnej zmienności zbioru danych wyjaśnia dana składowa. Jeśli PC1 wyjaśnia 95%, dane można dobrze opisać, korzystając tylko z jednego wymiaru — to właśnie sens redukcji wymiarowości.
Co robią elementy sterujące n, ρ i preset?
Preset wybiera bazowy kształt danych, n ustala liczbę generowanych punktów (10–300), a ρ ustala docelową korelację między dwiema zmiennymi dla zestawu skorelowanego (−0,99 do 0,99). Zmiana suwaka generuje chmurę na nowo, z wyjątkiem trybu niestandardowego, w którym punkty rozmieszczasz samodzielnie, klikając na płótnie.
Dlaczego wektory własne są zawsze pod kątem prostym?
Macierz kowariancji jest symetryczna, a podstawowy wynik algebry liniowej mówi, że macierz symetryczna ma ortogonalne wektory własne. PCA tworzy więc ortonormalny zbiór osi, co oznacza, że główne składowe są ze sobą nieskorelowane i rozpinają przestrzeń pod idealnie prostym kątem.
Czym są delikatne linie łączące punkty z PC1?
To linie rzutowania. Każda pokazuje prostopadły rzut punktu danych na oś PC1, wskazując, gdzie punkt trafia po redukcji do jednego wymiaru. PCA wybiera PC1 właśnie tak, aby zminimalizować sumę kwadratów długości tych reszt rzutowania, co jest równoważne maksymalizacji zachowanej wariancji.
Co pokazuje histogram na dole?
Przedstawia rozkład wartości PC1 — jednowymiarowych współrzędnych każdego punktu mierzonych wzdłuż pierwszej głównej składowej. Tak wyglądają dane po rzutowaniu na pojedynczą oś, co ilustruje, jak dwuwymiarowa chmura jest kompresowana do reprezentacji jednowymiarowej przy zachowaniu dominującej struktury.
Czy obliczenia są fizycznie i matematycznie dokładne?
Tak. Dla danych dwuwymiarowych wartości własne i wektory własne macierzy kowariancji można rozwiązać dokładnie za pomocą użytego tu wzoru kwadratowego, więc wyniki nie są przybliżeniami. Kowariancja wykorzystuje nieobciążony dzielnik n−1, zgodnie ze standardowymi konwencjami statystyki z próby stosowanymi w podręcznikach i bibliotekach.
Gdzie PCA jest wykorzystywana w praktyce?
PCA pojawia się w kompresji obrazów i sygnałów, analizie ekspresji genów, finansach przy identyfikacji czynników rynkowych, rozpoznawaniu twarzy (eigenfaces) oraz jako etap wstępny przed grupowaniem lub regresją. Odrzucając składowe o niskiej wariancji, usuwa szum i redundancję, przyspieszając kolejne modele i często czyniąc je bardziej odpornymi.
Obróć chmurę skorelowanych punktów na jej składowe główne i obserwuj, jak wektory własne układają się wzdłuż maksymalnej wariancji przed redukcją wymiarów.
3D · Three.js / WebGL renderer · 60 FPS target · runs fully client-side, no install