Factor_Analysis（因子分析）
因子分析ジェーン帳：説明をより良く理解する、導出された特定の式（のみ詳細のほとんどが自分を追加する必要がある重要なステップを示す）、結論のための基本的な式があります。
理解するための感情的レベル：まず、FAとPCAとの間に明確な違い。PCAは、次元削減するためには、大規模な分散線形表現（基底ベクトル）としてグループを見つけようとし、サンプルを行うことで、FAは、いくつかの隠された変数は想像があることを、彼らは我々の観察に影響を与えない（つまり、私たち結果のデータサンプルが）、私たちは2間のリンクを見つけることを試みた：$ X = \ラムダZ + \ミュー+ \イプシロン$、 ブックジェーンMLEその機能的な形で説明がされているが、解決するために困難なMLEのフォームを見やすいので、EMの使用（最大予想される学習機械（EM）アルゴリズムは、順序、反復最適解では、良い話します）。さらに、FAは通常$ mに対して使用さ<< N $幸運
心理：まず第一に、私は、ビットEMを押し込み、それはGMMはのニーズを解決するために、そして非常に慎重に派生していないときであるので、学校の前に自分の時間を見つけるために行ってきましたので、私たちはかつて推測行きます私はメモ用紙をプッシュ。第二に、見つかりません：$ \ mu_ {X_1 | X_2} = \ mu_1 + Sigma_ \ {12} \ Sigma_ {22} ^ { - 1}（X_2 - \ mu_2）$と$ \ Sigma_ {1 | 2} = \ Sigma_ {11} - \ Sigma_ {12} \ Sigma_ {22} ^ { - 1} \ Sigma_ {21}その名前は、Bucaiは感謝知らさ見れば教えてください、式の名前を$。最後に、まだ彼はビットをチェックするために行ってきました、行列の導出を忘れて、そして私は、単純な式の巻き戻しと統合された技術が施されていません。自己終了、および多くの
質問：ジェーンの冒頭で述べた著者：隠された変数が存在するが、MLEにより近い形を得ることができません。（クローズ形式：人気の説明は$ \ナブラF（X）=ということであるということである、閉じた形の解、 0 $ $のx $の発現）を、何の閉じた形の解は存在しないが、おそらく、現在のプッシュ（MLE式）の理由の結果を理解していません\シグマ\権| $ mの<< N $理由ので、この結果は、左その$ \だと思い | = 0 $（ 実際には、自身の左$ \ | \シグマ\権 | $ 0に等しいではありませんが、 $ mのため<< N $は、それが不十分なサンプルの数、または）そのような高次元の十分なサンプルを得ることが困難に、実際には、0に等しいです。明らかに、左$ \ | \シグマ\の権利は| = 0 $ 私が数えもののたい可能性が最も高いのトラブルの多くでは、その後の出会いでは、$ \シグマ$は、次の計算に明らかに非常に困難である、不可逆的です多くの、しかし$ \シグマ^ { - 1} $はほとんど常に必要とされています。しかし、擬似逆の導入が、私はそうでパフォーマンスの低下とをもたらす理由または擬似逆は確かに存在しているとは思いません。
注：原因はブログパーク導出式を書くためには面倒なので、そこのブログには何の導出はありませんが、提案は（もちろん、いくつかのティーンエイジャーもある上記の知識あれば教えてください、または理解と記憶を向上させるために数回プッシュする学習していないだけで見ることができますウェル）を理解し、賢いの使用。例えば、（など、LOWER_BOUNDを解く前に、EMアルゴリズムにおける分子とジェンセンの不等式（ORZ）、続いて単純化を取るために、同量の分母他の操作と同じように、より世俗的です）。最近行うには良い何も、我々は、（アルゴリズムの多くは、研究特に、特定の数式を必要とするか、または解決するために考えました私は実際にLCMソリューションのローストチキンをお聞きしたいですか？？）、溶液プロセスは困難ではないが、手のひなを押して、誇大広告について話をする（口）を解くべき式を忘れているようだが、私のために、それらのいくつかは、まだヒントを理解する必要があります計算のいくつかの大規模な量がああです。