Pular para o conteúdo
Even3

Por que o ICA supera o PCA na recuperação de sinais físicos?

Trecho de 1 min 24 s de Análise por componentes independentes (ICA) em dados químicos, gravado no evento XI Workshop de Quimiometria.

Assistir à gravação completaNo Even3 Conteúdos · 1 h 2 min

Sobre este trecho

Veja a comparação direta entre ICA e PCA, compreendendo por que a busca por independência estatística em vez de variância máxima preserva a integridade de perfis e concentrações reais.

Vai de a da gravação.

O que é dito neste trecho

E por que que ele faz isso? Porque o ICA ele não vai tá procurando variabilidade dos dados, ele vai tá procurando os sinais mais independentes. E aí se a gente compara os nossos dados originais, né, aqueles nossos dois espectros simulados, vamos dizer assim, com os loadings e com os sinais obtidos pelo ICA, fica bem claro por que que cada um deu aquele resultado. Então aqui eu tenho os loadings do PCA, né? Em vermelho a segunda componente principal, em azul a primeira componente principal, e você vê que a a componente principal loading recuperado pelos meus dados originais é na verdade uma mistura ali, né, uma soma quase entre os meus dois espectros originais, né? Por quê? Porque ele tá procurando maior variabilidade dos dados. Agora quando eu comparo com o ICA, o sinal recuperado, né, o que seria os loadings do ICA, o sinal recuperado para cada uma das componentes independentes é quase que idêntico ao meu sinal original, só tem alguma variaçãozinha ali de ruído, né? Então como ele consegue recuperar os sinais que estavam ali utilizados para fazer as combinações do meu da minha matriz de dados, as meus valores de concentração eles são muito mais fidedignos como uma um valor de concentração real que teria na minha amostra, né? De novo porque ele tá procurando os sinais e não tá procurando variabilidade dos dados, tá bom?

Outros trechos deste conteúdo