Principal Components Analysis (PCA) Through a Latent Variable Lens
概述 PPCA（经典 PCA 的扩展）及其通过 EM 算法应用于不完整数据照片由 Dhruv Weaver 在 Unsplash 上拍摄。随着 EM 算法的 E 和 M 步骤重复，该算法收敛到局部最大似然估计量。概率主成分分析 (PPCA) 是一种降维技术，利用潜在变量框架恢复数据中最大方差的方向。当噪声遵循各向同性高斯分布时，概率主成分将与经典主成分紧密相关，在缩放因子和正交旋转方面相同。因此，PPCA 可用于许多与经典 PCA 相同的应用，例如数据可视化和特征提取。PPCA 背后的潜在变量框架还提供了经典 PCA 所不具备的功能。例如，PPCA 可以轻松扩展以适应具有缺失值的数据，而经典
deshaprema et dissanayake中的acetabularia monodisca，2025。doi：doi.org/10.11646/phytotaxa.693.3.5 facebook.com/wildlifelk actictiona activstal activstraction activstrictry actractrictric actractrictric actababularia crenulata var。进行了从斯里兰卡的贾夫纳海收集的单维斯卡标本。主成分分析（PCA）和描述性统计数据显示，VAR之间存在显着的形态差异。来自加勒比海（A. crenu
Finding Eigenvalues and Eigenvectors (student stuff)
。在经济学课程中应用主成分分析时，我们通常希望降低数据维度。特征值和特征向量有助于我们做到这一点。在宏观经济学中 - 特别是当我们使用动态编程和钟声方程来解决优化问题时 - 特征值和特征向量有助于我们确定收敛性和稳定性。所以 - 很高兴有[…]
Leporinus lignatorBoaretto、Ohara、Souza-Shibatta 和 Olivan Birindelli，2024 Neotrop. ichthyol. 22(4); www.scielo.br/j/ni/a/tRpkwnSVH3PndG7cmztzv8C 摘要 Leporinus bleheri 被描述为在玻利维亚和巴西边界的 Guaporé-Iténez 盆地中发现的。最近，在马德拉盆地的不同河流中采集到了外观相似的带状 Leporinus 样本。在此，我们使用结合分子和形态数据的综合方法来研究新样本的分类地位。形态学数据用于执行主成分分析 (PCA)。两个物
Schizodon unimaculatus Garavello, Britski, Oliveira & Melo, 2024DOI: 10.11646/zootaxa.5537.2.5 x.com/BrunFMelo 摘要Schizodon unimaculatus 新种，描述于巴西东北部圣弗朗西斯科河下游。新种与所有已知的 Schizodon 种不同，其嘴部位于下部，尾柄上有明显的深褐色斑点，侧线上有深褐色纵向条纹，躯干背部和中部有三组水平排列的小黑点，形成间断线。它与尾柄上有水平条纹和深色斑点的同类物种（即 S. knerii、S. rostratus、S. jacuiensis、S.
圣乔治山 (瑞士、意大利) 的海洋保护沉积物：三叠纪黑色页岩 Lagerstätten 的原型。Klug、Spiekman、Bastiaans、Scheffold et Scheyer，2024 年。DOI：10.1186/s13358-024-00308-7 摘要海洋保护沉积物 (“Konservat-Lagerstätten”) 以其化石保存方式、动物群组成和沉积相为特征。在这里，我们结合著名的 Besano 组保护沉积物（以前的 Grenzbitumenzone；包括 Anisian-Ladinian 边界）以及更年轻的化石含层单元 Cava superiore、Cava superio
A Simple Example Using PCA for Outlier Detection
在异常值检测之前执行 PCA 转换可提高准确性、速度和内存使用率本文继续介绍使用 PCA（主成分分析）进行异常值检测的一系列应用，紧随其后的是使用 PCA 进行异常值检测。那篇文章描述了 PCA 本身，并介绍了使用 PCA 进行异常值检测的两种主要方法：评估重构误差，以及在 PCA 转换空间上运行标准异常值检测器。它还给出了第一种方法的示例，即使用重构误差，使用 PyOD 提供的 PCA 和 KPCA 检测器可以轻松完成。本文介绍了第二种方法，我们首先使用 PCA 转换数据空间，然后在此上运行标准异常值检测。正如上一篇文章所述，在某些情况下，这可能会降低可解释性，但在准确性、执行时间和内存使用
Using PCA for Outlier Detection
一种识别数值数据中异常值的令人惊讶的有效方法PCA（主成分分析）通常用于数据科学，通常用于降维（通常用于可视化），但它实际上对于异常值检测也非常有用，我将在本文中描述它。本文延续了我的异常值检测系列，其中还包括关于 FPOF、计数异常值检测器、距离度量学习、共享最近邻和兴奋剂的文章。这还包括我书《Python 中的异常值检测》的另一段摘录。PCA 背后的想法是大多数数据集在某些列中的方差比其他列大得多，并且特征之间也存在相关性。其中一个含义是：为了表示数据，通常不需要使用尽可能多的特征；我们通常可以使用更少的特征（有时要少得多）很好地近似数据。例如，对于包含 100 个特征的数值数据表，我们可
我们刚刚发布了一篇关于 RePEc 和 SSRN 的新工作论文，扩展了我们的结构向量自回归方法，用于估计整个经济的反弹效应，并将其应用于几个欧洲国家和美国。我与哥廷根大学的 Anne Berner、哈瑟尔特大学的 Stephan Bruns 和比萨圣安娜高等研究院的 Alessio Moneta 共同撰写了这篇论文。我们开发了这种方法，作为澳大利亚研究委员会资助的 DP16 能源效率项目的一部分。这是一个多元时间序列模型，使用时间序列来表示能源使用、GDP 和能源价格。该模型使我们能够控制 GDP 和能源价格的冲击，但可以模拟这些变量对能源效率冲击的响应。我们估计了能源效率冲击对能源使用的影响
