Вчера вечером снова разбиралась с линейной алгеброй: матрицы, векторы, корни, коэффициенты… Сижу, смотрю на записи, и думаю: «То ли я алгебру мучаю, то ли она меня…» 🫣 И тут меня осенило: то, что казалось абстрактной математикой, на самом деле помогает находить болезни в данных.

Как? Сейчас расскажу.

Возьмём один снимок МРТ (магнитно-резонансной томографии). В нём сотни тысяч пикселей, и каждый пиксель — отдельный признак. Наша задача — выделить действительно важное и не утонуть в море данных.

Тут на помощь и приходит линейная алгебра:

▫️PCA (метод главных компонент) — выделяет самые информативные признаки и отбрасывает всё лишнее. Проще говоря, PCA показывает «главные направления», где сосредоточена основная информация. Минус метода в том, что PCA работает через ковариационную матрицу, поэтому при большом количестве признаков вычисления могут становиться довольно тяжёлыми🥲.

▫️ SVD (сингулярное разложение матрицы) — раскладывает матрицу данных на несколько частей, чтобы увидеть её структуру и отделить важные сигналы от шума. Его плюс в том, что он работает напрямую с матрицей данных, без вычисления ковариации. Но при этом интерпретировать результат иногда сложнее, чем в PCA.

///Нашла интересный момент: PCA на практике часто вычисляют именно через SVD🧐.

В результате, вместо сотен тысяч признаков модель анализирует всего несколько десятков действительно значимых факторов!

Так линейная алгебра перестаёт быть просто математикой.✨ Она становится инструментом, который помогает выявлять болезни на ранней стадии, прогнозировать риски и делать работу врачей более точной и эффективной. ——————————————————————— А у вас когда-нибудь случались похожие «открытия», как у меня вчера с алгеброй?