အဓိကအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာမှုမှ Fisher ၏ချဉ်းကပ်နည်းကဘာလဲ။

Fisher ထုတ်ကုန်များပေးသွင်းသူတစ် ဦး အနေဖြင့်ငါးဖမ်းလုပ်ငန်း၏ဆန်းသစ်သောနည်းပညာများအပေါ်တွင်ပထမဆုံးအကြိမ်မြင်တွေ့ခဲ့ရသည်။ ငါးဖမ်းချသည့်အထင်ရှားဆုံးထည့် 0 င်ချက်အများစုအနက်မှတစ်ခုမှာအဓိကအစိတ်အပိုင်းများကိုခွဲခြမ်းစိတ်ဖြာခြင်း (PCA) ၏ဘုံတွင်ဖြစ်သည်။ ဒီဘလော့ဂ်မှာဒီဘလော့ဂ်မှာ Fisher ရဲ့ချဉ်းကပ်မှုတွေကိုလေ့လာပြီးသူတို့ရဲ့အပလီကေးရှင်းတွေ,Fisher DLC3010 Controlloller,Fisher 3582 positionerနှင့်Fisher 4195K Controller။

အဓိကအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာနားလည်ခြင်း

အဓိကအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာခြင်းသည်ဒေတာလျှော့ချရေးနှင့်ထုတ်ယူခြင်းအတွက်အသုံးပြုသောစာရင်းအင်းနည်းစနစ်ဖြစ်သည်။ ၎င်းသည်အဓိကအစိတ်အပိုင်းများဟုခေါ်သော uncorrelated variable အသစ်များသို့ဆက်နွယ်မှုရှိသော variable များကိုပြောင်းလဲစေသည်။ ဤရွေ့ကားအစိတ်အပိုင်းများကိုထိုကဲ့သို့သောအစိတ်အပိုင်းများကိုပထမ ဦး ဆုံးအဓိကအစိတ်အပိုင်းအတွက်ဒေတာထဲမှာအများဆုံးသောကှဲလှဲအတွက်စာရင်းကိုင်ထားကြောင်းထိုကဲ့သို့သောလမ်းအတွက်အမိန့်နေကြသည်။

PCA ၏အဓိကရည်မှန်းချက်မှာမူလသတင်းအချက်အလက်များကိုတတ်နိုင်သလောက်ထိန်းသိမ်းထားစဉ်၎င်း၏ရှုထောင့်များကိုလျှော့ချခြင်းဖြင့်ရှုပ်ထွေးသောအချက်အလက်များကိုရိုးရှင်းစေရန်ဖြစ်သည်။ ၎င်းသည်ဘဏ် finance ာရေး, အင်ဂျင်နီယာနှင့်အချက်အလက်သိပ္ပံကဲ့သို့သောလယ်ကွင်းများတွင်အထူးသဖြင့် variable များနှင့်အတူအများအပြားကွဲပြားခြားနားသော variable များနှင့်အတူအများအပြားနှင့်အနက်ဖွင့်ရန်ခက်ခဲနိုင်ပါတယ်။

PCA သို့ Fisher ၏ချဉ်းကပ်မှု

Ronald A. Fishown စာရင်းအင်းပညာရှင်နှင့်မျိုးရိုးဗီဇဆိုင်ရာငါးဖမ်းသမားများသည် PCA နှင့်နီးကပ်စွာဆက်နွယ်သော Fisher ၏ linear ခွဲခြားဆက်ဆံမှု (LDA) ဟုလူသိများသည့် PCA ၏မူကွဲများကိုမိတ်ဆက်ပေးသည်။ PCA သို့ Fisher ၏ချဉ်းကပ်ပုံသည်အောက်ပါသော့ချက်များကိုအလေးပေးပြောကြားခဲ့သည်။

1 ။ လူတန်းစားခွဲခြားဆက်ဆံမှု

Fisher ၏ LDA သည်လူတန်းစားအနေဖြင့်အတန်းအစားအကောင်အထည်ဖော်မှုအချိုးအစားကိုအကြားအကြားအကြားကှဲလှဲကိုအမြင့်ဆုံးအင်္ဂါရပ်များကိုတိုးမြှင့်ပေးသည့်အင်္ဂါရပ်များကိုပေါင်းစပ်ရန်ရည်ရွယ်သည်။ တစ်နည်းပြောရရင်ဒါဟာအတန်းတစ်ခုစီအတွင်းမှာကှဲလှဲကို minimizing လုပ်တဲ့တနည်းအားဖြင့်မတူညီတဲ့အတန်းတွေကိုတတ်နိုင်သလောက်ခွဲခြားထားတဲ့စီမံကိန်းကိုရှာဖို့ကြိုးစားတယ်။ ၎င်းသည်ကွဲပြားခြားနားသောအုပ်စုများသို့မဟုတ်အမျိုးအစားများကိုခွဲခြားရန်ရည်ရွယ်သည့်ခွဲခြားမှုပြ problems နာများတွင်အထူးအသုံးဝင်သည်။

ဥပမာအားဖြင့်, ကုန်ထုတ်လုပ်မှုအခြေအနေတွင်ထုတ်ကုန်များကိုချွတ်ယွင်းသောအင်္ဂါရပ်များအပေါ် အခြေခံ. ကုန်ပစ္စည်းများကိုချွတ်ယွင်းသောသို့မဟုတ်ချို့ယွင်းချက်များအဖြစ်သတ်မှတ်ရန် Fisher ၏ LDA ကိုအသုံးပြုနိုင်သည်။ အကောင်းဆုံးစီမံကိန်းကိုရှာဖွေခြင်းအားဖြင့်ကျွန်ုပ်တို့သည်ကျွန်ုပ်တို့၏ခွဲခြားမှု၏တိကျမှန်ကန်မှုကိုတိုးတက်စေပြီး misclassification အရေအတွက်ကိုလျှော့ချနိုင်သည်။

2 ။ ဒေတာစီမံကိန်း

အသွင်အပြင်များအကောင်းဆုံး linear ပေါင်းစပ်မှုကိုတွေ့ရှိပြီးတာနဲ့ Fisher ၏ LDA သည်မူလဒေတာကိုဤ subsware အသစ်သို့ပံ့ပိုးသည်။ ဤစီမံကိန်းသည်လူတန်းစားခွဲခြားဆက်ဆံမှုအတွက်အရေးအကြီးဆုံးအချက်အလက်များကိုထိန်းသိမ်းထားစဉ်အချက်အလက်များ၏ရှုထောင့်များ၏ရှုထောင့်များကိုလျော့နည်းစေသည်။ ရရှိလာသောရှုထောင့်အနိမ့်အနိမ့်ကိုကိုယ်စားပြုမှုကိုမြင်ယောင်ခြင်း, ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့်နောက်ထပ်ပြုပြင်ခြင်းအတွက်အသုံးပြုနိုင်သည်။

ကျွန်ုပ်တို့၏ Fisher ထုတ်ကုန်များ၏အခြေအနေတွင်ဒေတာစီမံကိန်းကို Sensor Readings များကိုခွဲခြမ်းစိတ်ဖြာရန်အသုံးပြုနိုင်သည်Fisher DLC3010 Controllollerသို့မဟုတ်Fisher 4195K Controller။ ရှုထောင့်အာရုံခံကိရိယာအချက်အလက်များကိုအောက်ရှုထောင် subspace ပေါ်သို့ရေးဆွဲခြင်းအားဖြင့်ကျွန်ုပ်တို့သည်ပုံစံနှင့်ကွဲလွဲချက်များကိုပိုမိုလွယ်ကူစွာခွဲခြားသိမြင်နိုင်သည်,

3 ။ အင်္ဂါရပ်ရွေးချယ်ခြင်း

PCA သို့ Fisher ၏ချဉ်းကပ်မှုတွင်ပါ 0 င်ခြင်းတွင်ပါ 0 င်သည့်ရွေးချယ်မှုရွေးချယ်ခြင်းလည်းပါ 0 င်သည်။ လူတန်းစားခွဲခြားဆက်ဆံမှုအတွက်အများဆုံးအထောက်အကူပြုသောအင်္ဂါရပ်များကိုအာရုံစိုက်ခြင်းအားဖြင့်ကျွန်ုပ်တို့သည်စံနမူနာများ၏ရှုပ်ထွေးမှုကိုလျှော့ချနိုင်ပြီးစွမ်းဆောင်ရည်ကိုတိုးတက်စေနိုင်သည်။

ဥပမာအားဖြင့်, လုပ်ငန်းစဉ်ထိန်းချုပ်မှုလျှောက်လွှာတွင်ကျွန်ုပ်တို့သည် Sensor Readings မှအရေးအကြီးဆုံး variable များကိုရွေးချယ်ရန် Fisher ၏ LDA ကိုအသုံးပြုနိုင်သည်။ ၎င်းသည်ထိန်းချုပ်မှုစနစ်ကိုရိုးရှင်းအောင်ပြုလုပ်ခြင်းနှင့်ပိုမိုထိရောက်သောကုန်ကျစရိတ်ထိရောက်သောစစ်ဆင်ရေးများသို့ ဦး တည်သည့်ကွန်ပျူတာလိုအပ်ချက်များကိုလျှော့ချရန်ကျွန်ုပ်တို့အားကူညီနိုင်သည်။

PCA သို့ Fisher ၏ချဉ်းကပ်မှုလျှောက်လွှာများ

PCA သို့ Fisher ၏ချဉ်းကပ်မှုသည်စက်မှုလုပ်ငန်းအမျိုးမျိုးတွင်လျှောက်လွှာအမျိုးမျိုးရှိသည်။ အသုံးအများဆုံး applications အချို့ပါဝင်သည်:

1 ။ ပုံစံအသိအမှတ်ပြုမှု

ပုံစံအသိအမှတ်ပြုမှုတွင် Fisher ၏ LDA သည်၎င်းတို့၏အင်္ဂါရပ်များအပေါ် အခြေခံ. အရာဝတ်ထုများသို့မဟုတ်ပုံစံများကိုခွဲခြားရန်အသုံးပြုသည်။ ဥပမာအားဖြင့် Facial အသိအမှတ်ပြုမှုစနစ်များတွင် Facial Images မှခွဲခြားဆက်ဆံမှုအရှိဆုံးအင်္ဂါရပ်များကိုဖြည်ချရန်နှင့်ကွဲပြားခြားနားသောအထောက်အထားများကိုခွဲခြားရန်အသုံးပြုသည်။

2 ။ ပုံအပြောင်းအလဲနဲ့

Image procession တွင် Fisher ၏ LDA ကိုပုံချုံ့ခြင်း, Image Data ၏ရှုထောင့်များ၏ရှုထောင့်များကိုလျှော့ချခြင်းအားဖြင့်ကျွန်ုပ်တို့သည်ပုံများကိုရုပ်မြင်အရည်အသွေးထိန်းသိမ်းထားစဉ်ပုံရိပ်များကိုပိုမိုထိရောက်စွာသိမ်းဆည်းထားနိုင်သည်။

3 ။ Bioinformatics

Bioinformatatics တွင် Fisher ၏ LDA သည်မျိုးရိုးဗီဇထုတ်ဖော်ပြောဆိုမှုအချက်အလက်များကိုခွဲခြမ်းစိတ်ဖြာရန်နှင့်တစ်ရှူးအမျိုးအစားများကိုခွဲခြားရန်အသုံးပြုသည်။ အထူးသဖြင့်ရောဂါသို့မဟုတ်အခြေအနေတစ်ခုအတွက်အထင်ရှားဆုံးမျိုးရိုးဗီဇများကိုဖော်ထုတ်ခြင်းအားဖြင့်ကျွန်ုပ်တို့သည်ပိုမိုသောင်းရှိုင်းသောကုသမှုကုထုံးများကိုပိုမိုဖွံ့ဖြိုးတိုးတက်စေပြီးလူနာရလဒ်များကိုတိုးတက်စေနိုင်သည်။

4 ။ လုပ်ငန်းစဉ်ထိန်းချုပ်မှု

လုပ်ငန်းစဉ်ထိန်းချုပ်မှုတွင် Fisher ၏ LDA ကိုစက်မှုလုပ်ငန်းဖြစ်စဉ်များကိုစောင့်ကြည့်လေ့လာရန်အသုံးပြုနိုင်သည်။ ထံမှအာရုံခံကိရိယာဒေတာကိုခွဲခြမ်းစိတ်ဖြာခြင်းအားဖြင့်Fisher 3582 positionerသို့မဟုတ်အခြားငါးလုပ်ငန်းထုတ်ကုန်များ, ကျွန်ုပ်တို့သည်လုပ်ငန်းစဉ်များတွင်အမှားများနှင့်ကွဲလွဲချက်များကိုရှာဖွေတွေ့ရှိနိုင်ပြီးအကောင်းဆုံးစွမ်းဆောင်ရည်ကိုသေချာစေရန်မှန်ကန်သောလုပ်ရပ်များပြုလုပ်နိုင်သည်။

Fisher ထုတ်ကုန်များသည် PCA မှမည်သို့အကျိုးရှိသနည်း

ထိုကဲ့သို့သောကဲ့သို့ကျွန်ုပ်တို့၏တံငါသည်ထုတ်ကုန်Fisher DLC3010 Controlloller,Fisher 3582 positionerနှင့်Fisher 4195K ControllerPCA ၏လျှောက်လွှာမှများစွာအကျိုးရှိနိုင်သည်။ ဒီမှာပါ

1 ။ တိုးတက်လာသောစွမ်းဆောင်ရည်

Sensor Data ကိုခွဲခြမ်းစိတ်ဖြာရန် PCA ကိုအသုံးပြုခြင်းဖြင့်ကျွန်ုပ်တို့သည်အရေးအကြီးဆုံး variable များကိုခွဲခြားသိမြင်နိုင်ပြီးကျွန်ုပ်တို့၏ထုတ်ကုန်များတွင်ထိန်းချုပ်မှု algorithms ကိုအကောင်းဆုံးဖြစ်စေနိုင်သည်။ ၎င်းသည်စွမ်းဆောင်ရည်မြင့်မားခြင်း, စွမ်းအင်သုံးစွဲမှုလျှော့ချခြင်းနှင့်ယုံကြည်စိတ်ချရမှုတိုးပွားလာနိုင်သည်။

2 ။ အမှားရှာဖွေတွေ့ရှိခြင်းနှင့်ရောဂါ

PCA ကျွန်ုပ်တို့၏ထုတ်ကုန်များ၏လုပ်ဆောင်မှုတွင်အမှားများနှင့်ကွဲလွဲချက်များကိုရှာဖွေရန်အသုံးပြုနိုင်သည်။ လက်ရှိအာရုံခံကိရိယာဖတ်ရှုခြင်းကိုပုံမှန်လည်ပတ်မှုအခြေအနေများဖြင့်နှိုင်းယှဉ်ခြင်းအားဖြင့်ကျွန်ုပ်တို့သည်အလားအလာရှိသောပြ problems နာများကိုစောစီးစွာဖော်ထုတ်နိုင်ပြီးသိသိသာသာပျက်စီးမှုမဖြစ်ပေါ်မီမှန်ကန်သောလုပ်ရပ်များယူနိုင်သည်။

3 ။ ကြိုတင်ခန့်မှန်းထိန်းသိမ်းခြင်း

PCA ကိုကြိုတင်ခန့်မှန်းထိန်းသိမ်းခြင်းအတွက်လည်းအသုံးပြုနိုင်သည်။ သမိုင်းဆိုင်ရာအာရုံခံကိရိယာအချက်အလက်များကိုခွဲခြမ်းစိတ်ဖြာခြင်းအားဖြင့်၎င်းသည်အစိတ်အပိုင်းတစ်ခုသည်ပြုပြင်ထိန်းသိမ်းမှုပြုလုပ်ရန်နှင့်ပြုပြင်ထိန်းသိမ်းမှုလုပ်ငန်းများကိုအချိန်ဇယားဆွဲရန်နှင့်အချိန်ဇယားဆွဲရန်အချိန်ဇယားဆွဲနိုင်သည့်အခါကြိုတင်ခန့်မှန်းနိုင်သည်။ ၎င်းသည်ကျချိန်ကိုလျှော့ချနိုင်ပြီးကုန်ထုတ်စွမ်းအားကိုတိုးမြှင့်ပေးပြီးကုန်ကျစရိတ်သက်သာစေသည်။

ကောက်ချက်

အထူးသဖြင့် Fisher ၏ linear ခွဲခြားဆက်ဆံမှုကိုဆန်းစစ်ခြင်းမှတစ်ဆင့် Fisher ၏အဓိကအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာမှုမှတစ်ဆင့် Fisher ၏ချဉ်းကပ်နည်းသည်အချက်အလက်လျှော့ချရေး, ဤချဉ်းကပ်နည်းကိုမြှင့်တင်ခြင်းအားဖြင့်ကျွန်ုပ်တို့သည်ရှုပ်ထွေးသောဒေတာအစုများမှအဖိုးတန်သောထိုးထွင်းသိမြင်မှုများကိုရရှိပြီးကျွန်ုပ်တို့၏ Fisher ထုတ်ကုန်များ၏စွမ်းဆောင်ရည်ကိုတိုးတက်စေနိုင်သည်။

Fisher ၏ PCA ချဉ်းကပ်မှုသည်သင်၏စီးပွားရေးလုပ်ငန်းများကိုမည်သို့အကျိုးပြုနိုင်မည်ကိုပိုမိုလေ့လာရန်သင်စိတ်ဝင်စားပါကသို့မဟုတ် Fisher ထုတ်ကုန်များကို 0 ယ်ယူရန်သင်ရှာဖွေနေပါကကျွန်ုပ်တို့အားအသေးစိတ်ဆွေးနွေးရန်ကျွန်ုပ်တို့အားဆက်သွယ်ရန်ဖိတ်ခေါ်ပါသည်။ ကျွန်ုပ်တို့၏ကျွမ်းကျင်သူအဖွဲ့သည်သင်၏လိုအပ်ချက်များအတွက်အကောင်းဆုံးဖြေရှင်းနည်းများကိုရှာဖွေရာတွင်သင့်အားကူညီရန်အဆင်သင့်ရှိသည်။

ကိုးကားခြင်း

• Fisher, RA (1936) ။ taxonomic ပြ problems နာများတွင်မျိုးစုံတိုင်းတာအသုံးပြုမှု။ Eugenics of Eugenics, 7 (2), 179-188 ။
• Duda, RO, HAN, PE, & DIK, DG (2001) ။ ပုံစံခွဲခြား။ John Wiley & သားများ။
• Jolliffe, အိုင်တီ (2002) ။ အဓိကအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာ။ နှင်းပွင့်။