Selección de dimensionalidad en análisis de componentes principales utilizando modelos bayesianos.

• Autores: Ricardo Henao, Jorge Hernando Rivera Piedrahita
• Localización: Scientia et Technica, ISSN 0122-1701, Vol. 2, Nº. 28, 2005, págs. 69-74
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El gran inconveniente del análisis de componentes principales (PCA) es la correct elección del número componentes que deben ser retenidas, debido a esto, en este artículo se presenta un análisis experimental de varias técnicas de selección de dimensionalidad automáticas para PCA, basadas en dos variantes denominadas Análisis de Componentes Principales Probabilístico (PPCA) y Análisis Variacional de Componentes Principales (VPCA). Los métodos de empleados en este trabajo están fundamentados en la selección bayesiana del modelo y los criterios de información. En los resultados obtenidos, el método que aplica Laplace obtiene mejores resultados globales con un costo computacional satisfactorio.

  • English

    The central inconvenient in Principal Component Analysis (PCA) is to choose correctly the number of principal components to be retained. This article presents an experimental analysis reviewing several techniques of automatic dimensionality selection for PCA based on two variations designated as Probabilistic Principal Component Analysis (PPCA) and Variational Principal Component Analysis (VPCA). The methods used in this work are based on bayesian model selection and information criteria. The obtained results showed that Laplace is better globally speaking and computationally faster.