【机器学习】PCA

时间:2019-09-26
本文章向大家介绍【机器学习】PCA,主要包括【机器学习】PCA使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。

目录

PCA

PCA 就是找出数据最主要的方面,用数据里最主要的方面来代替原始数据。

PCA 是最重要的降维方法之一,在数据压缩、消除冗余和数据噪音消除等领域都有广泛的应用。

1. PCA最大可分性的思想

最大可分性: 样本点在超平面上的投影尽可能的分开

2. 基变换(线性变换)

欲获得原始数据新的表示空间,最简单方法是对原始数据进行基变换(线性变换)。

3. 方差

​ 如何选择一个方向或者基才是最优的?基于PCA最大可分思想,我们要找的方向是降维后损失最小,可以理解为投影后的数据尽可能分得开,而分散程度可以用数学上的方差来表示,因为方差越大数据也就越分散

4. 协方差

​ 在高维变换中,我们希望基变换后选择的各个方向(或者基)是不相关的,这样才能表示更多的信息。数学上使用协方差表示相关性:
\[ Cov(a,b) = \frac{1}{m} \sum_{i=1}^{m}a_ib_i \]
如果 \(Cov(a,b)=0\) ,则表示两个字段完全独立,这也是我们的优化目标

5. 协方差矩阵

​ 我们想达到的目标(\(Cov(a,b)=0\)字段内方差字段间协方差 有着密切的关系。假设只有 \(a, b\) 两个字段,按行组成 \(X\) ,求取协方差矩阵:

可见,协方差矩阵是一个对称的矩阵,对角线是各个维度的方差(字段内方差),而其它元素是字段间协方差,两者被统一到了一个矩阵之中。

6. 协方差矩阵对角化

​ 我们的目标是使 \(Cov(a,b)=0\) ,由协方差矩阵可知我们的优化目标 \(C=\frac{1}{m}XX^T\) 等价于协方差矩阵对角化(除对角线以外的其它元素都为0,并且对角线将元素按照大小从上到下排列)。

​ 推导:

7. PCA算法流程

输入: \(n\) 维样本集 \(X = (x_1, x_2, ... ,X_m)\),要降维到的维数 \(n^{'}\)

输出: 降维后的样本集 \(Y\)

算法:

​ 1)对所有样本进行中心化 \(x_i = x_i -\frac{1}{m}\sum_{j=1}^mx_j\)

​ 2)计算样本的协方差矩阵 \(C=\frac{1}{m}XX^T\)

​ 3)求出协方差矩阵的特征值以及对应的特征向量

​ 4)将特征向量按对应特征值大小从上到下排列成矩阵,取前 \(K\) 行组成矩阵 \(P\)

​ 5)\(Y=PX\) 即为原始样本降维到 \(K\) 维后的数据矩阵

代码:

"""
    这里假设原始数据集为矩阵 dataMat,其中每一行代表一个样本,每一列代表同一个特征(与上面的介绍稍有不同,上      面是每一列代表一个样本,每一行代表同一个特征)。
"""

import numpy as np

################################
# (1)零均值化
################################
def zeroMean(dataMat):        
    meanVal=np.mean(dataMat,axis=0)     #按列求均值(axis=0),即求各个特征的均值  
    newData=dataMat-meanVal  
    return newData,meanVal             # newData是零均值化后的数据,meanVal是每个特征的均值


################################
# (2)求协方差矩阵
# 若rowvar=0,说明传入的数据一行代表一个样本;
# 若非0,说明传入的数据一列代表一个样本。
################################
newData,meanVal=zeroMean(dataMat)  
covMat=np.cov(newData,rowvar=0)        


################################
# (3)求特征值和特征矩阵
# eigVals存放特征值,行向量
# eigVects存放特征向量,每一列带别一个特征向量
# 特征值和特征向量是一一对应的
################################
eigVals,eigVects=np.linalg.eig(np.mat(covMat)) 


################################
# (4)保留比较大的前n个特征向量
# 第三步得到了特征值向量eigVals,假设里面有m个特征值,我们可以对其排序,排在前面的n个特征值所对应的特征  # 向量就是我们要保留的,它们组成了新的特征空间的一组基n_eigVect
################################
eigValIndice=np.argsort(eigVals)            #对特征值从小到大排序  
n_eigValIndice=eigValIndice[-1:-(n+1):-1]   #最大的n个特征值的下标,首先argsort对特征值是从小到大排序的,那么最大的n个特征值就排在后面,所以eigValIndice[-1:-(n+1):-1]就取出这个n个特征值对应的下标(python里面,list[a:b:c]代表从下标a开始到b,步长为c)  
n_eigVect=eigVects[:,n_eigValIndice]        #最大的n个特征值对应的特征向量


################################
# (5)获取降维后的数据
# 将零均值化后的数据乘以n_eigVect就可以得到降维后的数据
################################
lowDDataMat=newData*n_eigVect               #低维特征空间的数据  
reconMat=(lowDDataMat*n_eigVect.T)+meanVal  #重构数据

8. PCA算法总结

优点:

​ 1) 仅仅依靠方差衡量信息量,不受数据集以外的因素影响

​ 2)各主成分之间相互正交,可消除原始数据成分间的相互影响的因素

​ 3)计算方法简单,主要运用特征值分解

缺点:

​ 1)主成分各个特征维度的含义具有一定的模糊性,不如原始样本特征的解释性强

​ 2)方差小的主成分也有可能含有对样本差异的重要信息,由于降维丢弃可能会对后续数据处理有影响

原文地址:https://www.cnblogs.com/xxxxxxxxx/p/11594647.html