Séance de cours

Analyse de corrélation canonique : Solutions d'exercices

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours couvre les solutions pour les exercices sur l'analyse de corrélation canonique (ACC), se concentrant sur la recherche de paires de vecteurs de projection avec une corrélation maximale. Il comprend la détermination manuelle des directions trouvées par l'ACC, en contraste avec l'APC, et l'analyse des matrices de Gram pour les eigenvectors collinéaires. La séance de cours explore également l'effet du changement de largeur du noyau dans le CCA et discute de la distribution des points dans les matrices du noyau générées par les noyaux polynômes. De plus, il se plonge dans les propriétés des vecteurs générés par des noyaux polynômes homogènes, mettant l'accent sur l'orthogonalité des vecteurs dans l'espace 2D.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Source officielle

Proximité ontologique

Mathématiques

Algèbre: Algèbre linéaire

Concepts associés (32)

Matrice orthogonale

Une matrice carrée A (n lignes, n colonnes) à coefficients réels est dite orthogonale si A A = I, où A est la matrice transposée de A et I est la matrice identité. Des exemples de matrices orthogonales sont les matrices de rotation, comme la matrice de rotation plane d'angle θ ou les matrices de permutation, comme Une matrice réelle A est orthogonale si et seulement si elle est inversible et son inverse est égale à sa transposée : A = A. Une matrice carrée est orthogonale si et seulement si ses vecteurs colonnes sont orthogonaux deux à deux et de norme 1.

Analyse canonique des corrélations

L'analyse canonique des corrélations, parfois aussi nommé analyse des corrélations canoniques, (canonical-correlation analysis en anglais) permet de comparer deux groupes de variables quantitatives appliqués tous deux sur les mêmes individus. Le but de l'analyse canonique est de comparer ces deux groupes de variables pour savoir s'ils décrivent un même phénomène, auquel cas on pourra se passer d'un des deux groupes de variables. Un exemple parlant est celui des analyses médicales effectuées sur les mêmes échantillons par deux laboratoires différents.

Vecteur euclidien

En mathématiques, et plus précisément en géométrie euclidienne, un vecteur euclidien est un objet géométrique possédant une direction, un sens et une norme. On l'utilise par exemple en physique et en ingénierie pour modéliser une force. On parle aussi parfois de vecteur géométrique dans le plan euclidien (deux dimensions) et de vecteur spatial dans l'espace à trois dimensions. Vecteur#HistoireVecteur En physique et en ingénierie, on travaille souvent dans l'espace euclidien.

Analyse en composantes principales

L'analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou, selon le domaine d'application, transformation de Karhunen–Loève (KLT) ou transformation de Hotelling, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales » ou axes principaux.

Definite matrix

In mathematics, a symmetric matrix with real entries is positive-definite if the real number is positive for every nonzero real column vector where is the transpose of . More generally, a Hermitian matrix (that is, a complex matrix equal to its conjugate transpose) is positive-definite if the real number is positive for every nonzero complex column vector where denotes the conjugate transpose of Positive semi-definite matrices are defined similarly, except that the scalars and are required to be positive or zero (that is, nonnegative).

Afficher plus

Séances de cours associées (64)

Polynômes : Opérations et propriétés

Explore les opérations polynômes, les propriétés et les sous-espaces dans les espaces vectoriels.

Théorèmes de projection orthogonale

Couvre les théorèmes liés à la projection orthogonale et aux bases orthonormales.

Kernel PCA : Réduction de la dimensionnalité non linéaire

Explore Kernel Principal Component Analysis, une méthode non linéaire utilisant des noyaux pour la résolution linéaire de problèmes et la réduction des dimensions.

Espaces vectoriaux : propriétés et opérations

Couvre les propriétés et les opérations des espaces vectoriels, y compris l'addition et la multiplication scalaire.

Algèbre linéaire : concepts abstraits

Introduit des concepts abstraits en algèbre linéaire, en se concentrant sur les opérations avec des vecteurs et des matrices.

Afficher plus

Concepts associés (32)

Matrice orthogonale

Analyse canonique des corrélations

Vecteur euclidien

Analyse en composantes principales

Definite matrix

Afficher plus