“喜欢主成分分析吗？新论文报道它可以产生“幻象振荡”伪影”

揭开主成分分析的神秘面纱：最新研究揭示“幻象振荡”伪影现象

主成分分析（PCA）是一种广泛使用的统计方法，用于简化复杂的数据集，但已发现它会产生“虚幻振荡”——即数据中出现一些模式，尽管在原始数据集中并不存在这些模式。接下来继续阅读，了解更多关于此的内容，如果您习惯于在带有所讨论特征的数据集上应用PCA，则此对您尤其重要。同时，这也是一个机会，了解PCA的其他局限性和缺点。

引言

主成分分析（PCA）是一种降维技术，它将描述一组对象的输入变量投影为这些变量的线性组合，以尽可能多地解释方差。PCA被广泛用于简化复杂的数据集。

要了解PCA的工作原理，请查看以下内容：

• How to adjust EasyOCR to achieve better OCR performance in Chinese.
• 谷歌被指控以《双子座公告视频》误导消费者
• AMD + 🤗：AMD GPU 的大规模语言模型即插即用加速

主成分分析终极指南

一份将低阶代码进行分解的教程，您可以编辑并在浏览器中运行，以一次永久理解PCA…

towardsdatascience.com

不过，毫无疑问，这种技术也有其缺陷。您可能已经或者至少在无意中了解到主成分（它们是原始数据特征的线性组合，但这些组合很难解释）的低可解释性，以及信息损失和维度降低之间的固有权衡（这必然会在各种维度降低方法中产生影响，程度高低不一）。此外，PCA当然假设输入变量之间存在线性关系，并且对异常值（根本）不具有鲁棒性。从实际角度来看，另外，PCA只能应用于连续变量，无法计算包含缺失数据的情况。

现在，刚刚揭示一个并不那么明显的新局限。

就在本周，发表在PNAS上的一篇论文报告了PCA会产生“虚幻振荡”，也就是说，由于PCA的计算方式，处理过的数据中会出现一些在原始数据集中不存在的模式。这项工作的…