主成分分析PCA

PCA原理

PCA思想

PCA是一种重要的降维方法之一，就是找出数据里最主要的方面，用主要方面代替原数据，并希望损失尽可能小。

PCA推导：基于最小投影距离

假设m个n维数据((x^{(1)},x^{(2)},...,x^{(m)}))都已经进行了中心化，即(sumlimits_{i=1}^mx^{(i)}=0)，经过投影变换后得到的新坐标系为({w_1,w_2,...,w_n})，其中(w)是标准正交基，即(lVert w Vert_2=1,w_i^Tw_j=0)。

如果我们将数据从n维降到n'维，即丢弃新坐标系中部分坐标，则新坐标系为({w_1,w_2,...,w_{n'}})，样本点(x^{(i)})在n'维坐标系中的投影为：(z^{(i)}=(z_1^{(i)},z_2^{(i)},...,z_{n'}^{(i)})^T)，其中，(z_j^{(i)}=w_j^Tx^{(i)})是(x^{(i)})在低维坐标系里第j维的坐标。

如果我们用(z^{(i)})来恢复原始数据(x^{(i)})，则得到恢复数据(overline x^{(i)}=sumlimits_{j=1}^{n'}z_j^{(i)}w_j=Wz^{(i)})其中，W为标准正交基组成的矩阵。

现在我们考虑整个样本集，我们希望所有的样本到这个超平面的距离足够近，即最小化下式：

[sum_{i=1}^mlVert overline x^{(i)}-x^{(i)} Vert_2^2 ]

将这个式子进行整理可以得到

[egin{align}egin{split} sumlimits_{i=1}^{m}lVert overline{x}^{(i)}-x^{(i)} Vert_2^2&=sumlimits_{i=1}^{m}lVert Wz^{(i)}-x^{(i)} Vert_2^2\ &=sumlimits_{i=1}^{m}(Wz^{(i)})^T(Wz^{(i)})-2sumlimits_{i=1}^{m}(Wz^{(i)})^Tx^{(i)}+sumlimits_{i=1}^{m}x^{(i)T}x^{(i)}\ &=sumlimits_{i=1}^{m}z^{(i)T}z^{(i)}-2sumlimits_{i=1}^{m}z^{(i)T}W^Tx^{(i)}+sumlimits_{i=1}^{m}x^{(i)T}x^{(i)}\ &=sumlimits_{i=1}^{m}z^{(i)T}z^{(i)}-2sumlimits_{i=1}^{m}z^{(i)T}z^{(i)}+sumlimits_{i=1}^{m}x^{(i)T}x^{(i)}\ &=-sumlimits_{i=1}^{m}z^{(i)T}z^{(i)}+sumlimits_{i=1}^{m}x^{(i)T}x^{(i)}\ &=-tr(W^T(sumlimits_{i=1}^{m}x^{(i)}x^{(i)T})W)+sumlimits_{i=1}^{m}x^{(i)T}x^{(i)}\ &=-tr(W^TXX^TW)+sumlimits_{i=1}^{m}x^{(i)T}x^{(i)} end{split} end{align} ]

注意到(sumlimits_{i=1}^{m}x^{(i)}x^{(i)T})是数据集的协方差矩阵，W的每个向量(w_j)是正标准正交基，而(sumlimits_{i=1}^{m}x^{(i)T}x^{(i)})是一个常数，最小化上式等于

[underbrace{argmin}_W-tr(W^TXX^TW)quad s.t. W^TW=I ]

可以发现，最小值对就的W由协方差矩阵(XX^T)最大的n'个特征向量组成。

利用拉格朗日函数可以得到

[J(W)=-tr(W^TXX^TW+lambda(W^TW-I)) ]

对W求导有(-XX^TW+lambda W=0)，整理如下

[XX^TW=lambda W ]

这样可以看到，W为(XX^T)的n'个特征向量组成的矩阵，面(lambda)为(XX^T)的若干个特征值组成的矩阵，特征值在主对角线上，其余位置为0。当我们将数据集从n维降到n'维时，需要找到的最大的n'个特征值对应的向量。这n'个特征向量组成的矩阵W即为我们需要的矩阵，对于原始数据集，我们只需要用(z^{(i)}=W^Tx^{(i)})，就可以把原始数据集降维到最小投影距离的n'维数据集。

PCA推导：基于最大投影方差

假设m个n维数据((x^{(1)},x^{(2)},...,x^{(m)}))都已经进行了中心化，即(sumlimits_{i=1}^mx^{(i)}=0)，经过投影变换后得到的新坐标系为({w_1,w_2,...,w_n})，其中(w)是标准正交基，即(lVert w Vert_2=1,w_i^Tw_j=0)。

如果我们将数据从n维降到n'维，即丢弃新坐标系中部分坐标，则新坐标系为({w_1,w_2,...,w_{n'}})，样本点(x^{(i)})在n'维坐标系中的投影为：(z^{(i)}=(z_1^{(i)},z_2^{(i)},...,z_{n'}^{(i)})^T)，其中，(z_j^{(i)}=w_j^Tx^{(i)})是(x^{(i)})在低维坐标系里第j维的坐标。

对于任意样本(x^{(i)})，在新的坐标系中的投影为(W^Tx^{(i)})，在新坐标系中投影方差为(W^Tx^{(i)}x^{(i)T}W)，要使所有的样本投影方差和最大，也就是最大化(sumlimits_{i=1}^{m}W^Tx^{(i)}x^{(i)T}W)的迹，即

[underbrace{argmax}_W tr(W^TXX^TW)quad s.t. W^TW=I ]

与上面一样，只是少一个负号，利用拉格朗日函数可以得到

[J(W)=tr(W^TXX^TW+lambda(W^TW-I)) ]

对W求导有(XX^TW+lambda W=0)，整理如下

[XX^TW=－lambda W ]

这样可以看到，和上面一样。W为(XX^T)的n'个特征向量组成的矩阵，面(lambda)为(XX^T)的若干个特征值组成的矩阵，特征值在主对角＋－－位置为0。当我们将数据集从n维降到n'维时，需要找到的最大的n'个特征值对应的向量。这n'个特征向量组成的矩阵W即为我们需要的矩阵，对于原始数据集，我们只需要用(z^{(i)}=W^Tx^{(i)})，就可以把原始数据集降维到最小投影距离的n'维数据集。

PCA算法流程

输入：n维样本集(D=(x^{(1)},x^{(2)},...,x^{(m)}))，要降维到的维数n'

输出：降维后的数据集Ｄ'

1. 对所有样本进行中心化：(x^{(i)}=x^{(i)}-frac{1}{m}sumlimits_{j=1}^{m}x^{(j)})

2. 计算样本的协方差矩阵(XX^T)

3. 对矩阵(XX^T)进行特征值分解

4. 对出最大的n'个特征值对应的向量((w_1,w_2,...,w_{n'}))，将所有向量标准化后，组成特征向量矩阵Ｗ。

5. 对样本集中的每一个样本(x^{(i)})转化为新的样本(z^{(i)}=W^Tx^{(i)})

6. 得到输出样本集(D'=(z^{(1)},z^{(2)},...,z^{(m)}))

核主成分分析KPCA

在PCA算法中，我们假设存在超平面，可以让我们对数据进行投影。但有些时候数据不是线性的，不能直接使用PCA的方法直接降维。这就需要用和SVM一样的核函数的思想，先把数据集从n维映射到线性可分的高维N>n，然后再从N维降到一个低维度n'，这里有n'<n<N。

假设高维空间的数据是由n维空间的数据通过映射(phi)产生，对于n维空间的特征分解：

[sumlimits_{i=1}^{m}x^{(i)}x^{(i)T}W=lambda W ]

映射为

[sumlimits_{i=1}^{m}phi(x^{(i)})phi(x^{(i)T})W=lambda W ]

和PCA一样进行降维。

方差与协方差的意义

方差：用来度量随机变量与其数据期望之间的偏离程度

协方差：用来度量两个变量之间的相关关系。

协方差：

1. 大于0，正相关
2. 小于0，负相关
3. 等于0，不相关
4. 协方差小的，两者相关性也小

PCA算法总结

PCA优点：

1. 仅以方差衡量信息量，不受数据集以外的因素影响
2. 各主成分之前正交，可消除原始数据成分间的相互影响因素
3. 计算方法简单，主要计算是特征值分解，易于实现

PCA缺点：

1. 主成分各特征维度的含义模糊，不如原样本的特征解释性强
2. 方差小的非主成分也可能含对样本差异的重要信息，因降维丢弃可能对后续数据处理有影响。

sklearn使用PCA

类库

from sklearn.decomposition import PCA

参数

1. n_components：降维后特征维度数量
2. whiten：是否进行白化
3. svd_solver：奇异值分解的方法

实例

from sklearn.decomposition import PCA

pca = PCA(n_components=2)
pca.fit(x)