ক্রিয়ামূলক ডেটা বিশ্লেষণ এবং উচ্চ মাত্রিক ডেটা বিশ্লেষণের মধ্যে পার্থক্য কী


10

পরিসংখ্যান সাহিত্যে " ক্রিয়ামূলক ডেটা " (অর্থাত্ তথ্যগুলি যে বক্ররেখা হয়) এবং সমান্তরালে " উচ্চ মাত্রিক ডেটা " (অর্থাৎ যখন ডেটা উচ্চ মাত্রিক ভেক্টর থাকে) সম্পর্কিত প্রচুর উল্লেখ রয়েছে। আমার প্রশ্নটি দুই ধরণের ডেটার মধ্যে পার্থক্য সম্পর্কে।

যখন প্রয়োগ করা পরিসংখ্যান পদ্ধতিগুলির ক্ষেত্রে কথা বলা হয় যা ক্ষেত্রে 1 এর ক্ষেত্রে প্রয়োগ করা হয় তখন কেস 2 থেকে পদ্ধতিগুলির কোনও স্থানের একটি সীমাবদ্ধ মাত্রার উপস্থানে প্রোজেকশনের মাধ্যমে পদ্ধতিগুলির পুনর্বিবেচনা হিসাবে বোঝা যায়, এটি পলিনোমস, স্প্লাইনস, ওয়েভলেট, ফুরিয়ার, ... ... এবং কার্যকরী সমস্যাটিকে একটি সীমাবদ্ধ মাত্রিক ভেক্টোরিয়াল সমস্যায় অনুবাদ করবে (যেহেতু প্রয়োগিত গণিতে সমস্ত কিছু সীমাবদ্ধ হয়ে আসে)।

আমার প্রশ্নটি: আমরা কি বলতে পারি যে কার্যকরী তথ্যের জন্য প্রযোজ্য যে কোনও পরিসংখ্যান পদ্ধতি উচ্চ মাত্রার ডেটাতেও (প্রায় সরাসরি) প্রয়োগ করা যেতে পারে এবং উচ্চ মাত্রিক ডেটাতে উত্সর্গীকৃত কোনও পদ্ধতি (প্রায় সরাসরি) কার্যকরী ডেটাতে প্রয়োগ করা যেতে পারে?

উত্তরটি যদি না হয় তবে আপনি কি চিত্রিত করতে পারেন?

সাইমন বাইর্নের উত্তরের সাহায্যে সম্পাদনা / আপডেট করুন:

  • স্পারসিটি (এস-স্পার্স অনুমান, বল এবং জন্য দুর্বল বল ) উচ্চ মাত্রিক পরিসংখ্যান বিশ্লেষণের কাঠামোগত অনুমান হিসাবে ব্যবহৃত হয়।এল পি পি < 1lplpp<1
  • "মসৃণতা" কার্যকরী তথ্য বিশ্লেষণে কাঠামোগত অনুমান হিসাবে ব্যবহৃত হয়।

অন্যদিকে, বিপরীত ফুরিয়ার রূপান্তর এবং বিপরীত তরঙ্গকরণ ট্রান্সফর্মটি অপ্রাপ্তিকে মসৃণতায় রূপান্তরিত করছে এবং তরঙ্গতা এবং ফুরিয়ার রূপান্তর দ্বারা মসৃণতা সংশ্লেষে রূপান্তরিত হয়। এটি সাইমন দ্বারা উল্লিখিত সমালোচনামূলক পার্থক্যটিকে এত সমালোচনা করে না?


1
মসৃণকরণ হয় (যেমন ফুরিয়ার বা ক্ষুদ্র তরঙ্গ) কার্মিক তথ্য বিশ্লেষণ একটা বড় অংশ, এবং এটি একটি যথাযথ ভিত্তিতে সম্মুখের অভিক্ষেপ দ্বারা একটি ভেক্টর গড় মুল্যায়ন সমস্যা রূপান্তরিত করা যেতে পারে, কিন্তু ক্রিয়ামূলক কাঠামোই উপর নির্ভর করে কার্মিক তথ্য বিশ্লেষণ অন্যান্য সমস্যা আছে ডন সহজে অনুবাদ করা যাবে না। উদাহরণস্বরূপ ফাংশনাল রিগ্রেশন নিন যেখানে আপনি কোভেরিয়েট থেকে কার্যকরী প্রতিক্রিয়া পূর্বাভাস দিতে আগ্রহী।
vqv

উত্তর:


12

ক্রিয়ামূলক ডেটা প্রায়শই বিভিন্ন প্রশ্ন জড়িত। আমি ফাংশনাল ডেটা অ্যানালাইসিস, রামসে এবং সিলভারম্যান পড়ছি এবং তারা বক্ররেখার নিবন্ধকরণ, ওয়ারপিং ফাংশন এবং বক্ররেখার ডেরাইভেটিভগুলি অনুমান করার জন্য অনেক সময় ব্যয় করে। উচ্চ মাত্রিক ডেটা অধ্যয়ন করতে আগ্রহী ব্যক্তিদের জিজ্ঞাসা করা প্রশ্নগুলির চেয়ে এগুলি খুব আলাদা প্রশ্ন হতে থাকে।


সম্পুর্ন একমত ! যে প্রশ্নগুলি জিজ্ঞাসা করা হয় সেগুলি আলাদা। নিবন্ধকরণ, ল্যান্ডমার্কিং, ডেরাইভেটিভগুলির অনুমান কার্যকরী ভিউ থেকেই উত্থাপিত হতে পারে। এই আমাকে বোঝাতে! সুতরাং ফাংশনাল ডেটা (যেমন এটি পরিসংখ্যানের সাহিত্যে দাঁড়িয়েছে) নিয়ে বড় চুক্তিটি হ'ল না যে এটি একটি ধারাবাহিক সেটে সংজ্ঞায়িত করা হয়েছে তবে আরও বেশি যে এটি কোনও আদেশকৃত সেটে সূচিযুক্ত হয়?
রবিন গিরার্ড

এটি ঠিক নয় যে এটি অর্ডার করা সেটে সংজ্ঞায়িত করা হয়েছে। অন্যথায়, আপনি কীভাবে কার্যক্ষম তথ্য বিশ্লেষণ থেকে সময় ধারাবাহিক বিশ্লেষণকে পৃথক করবেন? আমি @ ব্যবহারকারী549 এর সাথে একমত হয়েছি যে এটি যে ধরণের প্রশ্ন জিজ্ঞাসা করা হয় তাতে উত্সাহিত হয়। এগুলি ডেটা গঠনের জন্য নির্দিষ্ট specific
vqv

15

হ্যা এবং না. তাত্ত্বিক স্তরে, উভয় ক্ষেত্রেই অনুরূপ কৌশল এবং কাঠামো ব্যবহার করা যায় (গৌসিয়ান প্রক্রিয়া প্রতিরোধের একটি দুর্দান্ত উদাহরণ)।

গুরুতর পার্থক্য হ'ল অতিরিক্ত মানা (নিয়মিতকরণ) রোধে ব্যবহৃত অনুমানগুলি:

  • কার্যকরী ক্ষেত্রে, মসৃণতার কিছুটা ধারণা সাধারণত থাকে, অন্য কথায়, একে অপরের নিকটে ঘটে যাওয়া মানগুলি কিছু নিয়মতান্ত্রিক উপায়ে একই রকম হওয়া উচিত। এটি স্প্লিংস, লোস, গাউসিয়ান প্রক্রিয়া ইত্যাদির মতো কৌশলগুলির ব্যবহারের দিকে পরিচালিত করে

  • উচ্চ-মাত্রিক ক্ষেত্রে সাধারণত স্পারসিটির অনুমান হয়: এটি মাত্র মাত্রার একটি উপসেটে কোনও সংকেত থাকবে। এটি সেই মাত্রাগুলি সনাক্ত করার লক্ষ্যে কৌশলগুলির দিকে পরিচালিত করে (লাসো, এলএআরএস, স্ল্যাব-এবং-স্পাইক প্রিরি ইত্যাদি))

হালনাগাদ:

আমি সত্যিই ওয়েভলেট / ফুরিয়ার পদ্ধতিগুলি সম্পর্কে ভাবি নি, তবে হ্যাঁ, এই জাতীয় পদ্ধতির জন্য ব্যবহৃত চৌম্বক কৌশলগুলি অনুমানকৃত স্থানে স্বল্পতার জন্য লক্ষ্য করে। বিপরীতভাবে, কিছু উচ্চ-মাত্রিক কৌশলগুলি নিম্ন-মাত্রিক বহুগুণ (উদাহরণস্বরূপ মূল উপাদান বিশ্লেষণ) -এর জন্য একটি প্রক্ষেপণ গ্রহণ করে, যা এক ধরণের মসৃণতা অনুমান।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.