Обсуждение статьи "Отбор признаков и снижение размерности с помощью анализа главных компонент (PCA)"
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Отбор признаков и снижение размерности с помощью анализа главных компонент (PCA):
Прогнозирование финансовых временных рядов часто включает в себя анализ многочисленных характеристик, многие из которых могут быть сильно коррелированы. Методы уменьшения размерности, такие как Анализ главных компонент (Principal Component Analysis, PCA), могут помочь создать более компактное представление этих объектов. Однако PCA имеет свои ограничения, особенно при наличии сильно коррелированных переменных. В таких случаях PCA, как правило, демонстрирует группирующий эффект, при котором набор сильно коррелированных переменных в совокупности вносит свой вклад в данный главный компонент. Вместо выделения какой-либо отдельной переменной, PCA распределяет влияние относительно равномерно по всем переменным в коррелированной группе.
Такое равномерное распределение может быть полезным для подавления шума, поскольку главные компоненты подчеркивают общие паттерны, а не случайные колебания, характерные только для отдельных переменных. Однако такое подавление шума обходится дорого: оно часто снижает вклад отдельных переменных в каждый главный компонент. Переменные, которые могли бы быть значимыми сами по себе, могут казаться менее важными в преобразованном пространстве, поскольку их влияние поглощается более широкой структурой, охватываемой группой. Это может быть существенным недостатком в таких задачах, как выбор переменных, где целью является выявление наиболее важных характеристик, или в анализе первопричин, где решающее значение имеет понимание прямого влияния конкретных переменных.
Автор: Francis Dube