p-11-pca
TRANSCRIPT
-
Reduksi dimensi menggunakan PCA
-
Dimensionality ReductionSatu pendekatan terkait dengan dimensi yang tinggi adalah mengurangi dimensi data tersebut.Memproyeksikan data dimensi tinggi ke dimensi yang rendah menggunakan transformasi linier dan non-linier
-
Dimensionality ReductionTransformasi linier adalah sederhana dalam perhitungan dan mudah dilakukan
Pendekatan yang sederhana adalah Principal Component Analysis (PCA) Fisher Discriminant Analysis (FDA) k x 1 k x d d x 1 (k
-
Principal Component Analysis (PCA)Setiap teknik reduksi dimensi adalah menemukan transformasi yang memenuhi ketentuan/kriteria tertentu (misal information loss, data discrimination, dll)
Tujuan dari PCA adalah mengurangn dimensi data dengan mempertahankan variasi data yang ada
-
Principal Component Analysis (PCA)Carilah basis dalam sub ruang dimensi rendahProyeksikan ke ruang dimensi yang rendah :(1) Original space :(2) Lower-dimensional sub-space dinyatakanNote: if K=N, then
-
Principal Component Analysis (PCA)Contoh (K=N):
-
Principal Component Analysis (PCA)Information lossReduksi dimensi menyebabkan informasi hilang !!PCA mempertahankan informasi:
-
Principal Component Analysis (PCA)Methodologymisalkan x1, x2, ..., xM adalah N x 1 vectors
-
Principal Component Analysis (PCA)Metodologi cont.
-
Principal Component Analysis (PCA)Eigenvalue spectrumiKN
-
Principal Component Analysis (PCA)Tranformasi linier dengan PCATransformasi linier RN RK yaitu melakukan reduksi dimensi
-
Principal Component Analysis (PCA)Interpretasi Geometri.
-
Principal Component Analysis (PCA)Berapa banyak Principal Component?Untuk memilik K, anda dapat menggunakan kriteria berikut:
-
Principal Component Analysis (PCA)Error karena reduksi dimensi:average error karena reduksi dimensi adalah:
Good afternoon and thank you everyone for coming.
My talk today will describe the research I performed at the IRIS at USC, the object of this work being to build a computational framework that addresses the problem of motion analysis and interpretation.