机器学习降维之主成分分析

1.主成分基本思想主成分基本思想:在主成分分析中,首先对给定数据进行规范化,使得数据每一个变量的平均值维0,方差为1,之后对数据进行正交变换,原来由线性相关变量表示的数据,通过正交变换变成由若干个

大家好,又见面了,我是全栈君,今天给大家准备了Idea注册码。

1. 主成分基本思想

主成分基本思想:在主成分分析中,首先对给定数据进行规范化,使得数据每一个变量的平均值维0,方差为1,之后对数据进行正交变换,原来由线性相关变量表示的数据,通过正交变换变成由若干个线性无关的新变量表示的数据。新变量是可能的正交变换中变量的方差的和最大的,方差表示了新变量上信息的大小,将新变量依次称为第一主成分,第二主成分等

通过主成分分析,可以利用主成分近似地表示原始数据,这可理解为发现数据的’基本结构’,也可以把数据由少数主成分表示,这可理解为数据降维

2. 总体主成分定义

\(假设X = {(x_1,x_2,x_3,…,x_m)}^T是m维随机变量,其均值向量为\mu\),$$\mu = E(X) = {(\mu_1,\mu_2,…,\mu_m)}^T$$

\(协方差矩阵是\xi\),$$\xi = cov(x_i,x_j) = E[(x_i-\mu){(x_j-\mu)}^T]$$

\(考虑由m维随机变量x到m维随机变量y = {(y_1,y_2,…,y_m)}^T的线性变换\)

\[y_i = a_i^TX = a_{1i}x_1+a_{2i}x_2+…+a_{mi}x_m \]

其中\(a_i^T = (a_{1i},a_{2i},…,a_{mi})\)

由随机变量的性质可以知道:

\[E(y_i) = a_{i}^T\mu \]

\[var(y_i) = a_i^T\xi a_i \]

\[cov(y_i,y_j) = a_i^T\xi a_j \]

下面给出总体主成分的定义

定义(总体主成分):给定一个上面\(y_i = a_i^TX = a_{1i}x_1+a_{2i}x_2+…+a_{mi}x_m\)的线性变换,如果满足下列条件:

  • (1)系数向量\(a_i^T是单位向量,即a_i^T a_i = 1\)
  • (2)\(变量y_i与y_j互不相关,即它们的协方差为0\)
  • (3)\(变量y_1是X的所有线性变换中方差最大的;y_2是与y_1不相关的X的所有线性变换中方差最大的;\) \(一般地y_i是与y_1,y_2,…,y_{i-1}都不相关的X的所有线性变换中方差最大的;\) \(这时分别称y_1,y_2,…,y_m为X的第一主成分、第二主成分、…、第m主成分\)

3. 样本均值和方差

假设对m维随机变量\(X={(x_1,x_2,…,x_m)}^T\)进行n次独立观测,\(x_1,x_2,…,x_n\)表示观测样本,其中\(x_j={(x_{1j},x_{2j},…,x_{mj})}^T\)表示第j个观测样本,\(x_{ij}表示第j个观测样本的第i个变量\)

给定样本矩阵X,可以估计样本均值,以及样本协方差,样本均值向量$$\tilde x = \frac{1}{n}\sum_{j=1}^nx_j$$

样本方差$$S = \frac{1}{n-1}\sum_{j=1}^n(x_{ik} – \tilde x_i)(x_{jk}-\tilde j)$$

3.1 样本方差推导

样本方差公式$$S = \frac{1}{n-1}\sum_{i=1}n(x_i-\mu_i)2$$
扩展开来得到$$S = \frac{1}{n-1}[(X-\frac{1}{n}XTI_nI_nT)T(X-\frac{1}{n}XTI_nI_n^T)]$$

\[S = \frac{1}{n-1}X^T(I_n – \frac{1}{n}I_nI_n^T)(I_n – \frac{1}{n}I_nI_n^T)X \]

\(H = I_n – \frac{1}{n}I_nI_n^T\)得$$S = \frac{1}{n-1}X^THX$$
其中H为等幂矩阵HH=H和中心矩阵\(H_n*I_n = 0\)

4. PCA求解流程

  • (1)数据归一化,均值为0,方差为1
  • (2)计算协方差矩阵
  • (3)计算协方差矩阵的特征值和特征向量
  • (4)将特征值从大到小排序
  • (5)保留最上面的N个特征向量
  • (6)将数据转换到上述N个特征向量构建的新空间中

4.1 python实现PCA

def pca(dataMat, topNfeat=9999999):
    meanVals = mean(dataMat, axis=0)
    meanRemoved = dataMat - meanVals #remove mean
    covMat = cov(meanRemoved, rowvar=0)
    eigVals,eigVects = linalg.eig(mat(covMat))
    eigValInd = argsort(eigVals)            #sort, sort goes smallest to largest
    eigValInd = eigValInd[:-(topNfeat+1):-1]  #cut off unwanted dimensions
    redEigVects = eigVects[:,eigValInd]       #reorganize eig vects largest to smallest
    lowDDataMat = meanRemoved * redEigVects#transform data into new dimensions
    reconMat = (lowDDataMat * redEigVects.T) + meanVals
    return lowDDataMat, reconMat

5. PCA最小平方误差理论推导

PCA求解其实是寻找最佳投影方向,即多个方向的标准正交基构成一个超平面。

理论思想:在高维空间中,我们实际上是要找到一个d维超平面,使得数据点到这个超平面的距离平方和最小

假设\(x_k\)表示p维空间的k个点,\(z_k\)表示\(x_k\)在超平面D上的投影向量,\(W = {w_1,w_2,…,w_d}\)为D维空间的标准正交基,即PCA最小平方误差理论转换为如下优化问题$$z_k = \sum_{i=1}^d (w_i^T x_k)w_i—(1)$$

\[argmin \sum_{i=1}^k||x_k – z_k||_2^2 \]

\[s.t. w_i^Tw_j = p(当i==j时p=1,否则p=0) \]

注:\(w_i^Tx_k\)为x_k在w_i基向量的投影长度,\(w_i^Tx_kw_i\)为w_i基向量的坐标值

求解:

\(L = (x_k – z_k)^T(x_k-z_k)\)

\(L= x_k^Tx_k – x_k^Tz_k – z_k^Tx_k + z_k^Tz_k\)

由于向量内积性质\(x_k^Tz_k = z_k^Tx_k\)

\(L = x_k^Tx_k – 2x_k^Tz_k + z_k^Tz_k\)

将(1)带入得$$x_k^Tz_k = \sum_{i=1}dw_iTx_kx_k^Tw_i$$

\[z_k^Tz_k = \sum_{i=1}^d\sum_{j=1}^d(w_i^Tx_kw_i)^T(w_j^Tx_kw_j) \]

根据约束条件s.t.得$$z_k^Tz_k = \sum_{i=1}dw_iTx_k^Tx_kw_i$$

\[L =x_k^Tx_k – \sum_{i=1}^dw_i^Tx_kx_k^Tw_i \]

根据奇异值分解$$\sum_{i=1}dw_iTx_kx_k^Tw_i = tr(WTx_kTx_kW)$$

\[L =argmin\sum_{i=1}^kx_k^Tx_k – tr(W^Tx_k^Tx_kW) = argmin\sum_{i=1}^k- tr(W^Tx_k^Tx_kW) + C \]

等价于带约束得优化问题:$$argmaxtr(WTXXTW)$$

\[s.t. W^TW = I \]

最佳超平面W与最大方差法求解的最佳投影方向一致,即协方差矩阵的最大特征值所对应的特征向量,差别仅是协方差矩阵\(\xi\)的一个倍数

5.1 定理

\[argmin\phi(W,Z|X) = tr((X-W^TZ)^T(X-W^TZ)) = ||X-W^TZ||_F^2 \]

\[s.t.W^TW=I_q \]

注:X为(n,p),Z为(n,q),q < p,w为(p,q)

该定理表达的意思也就是平方差理论,将降维后的矩阵通过W^T投影回去,再与X计算最小平方差,值越小说明信息损失越少

\(\phi\)目标函数最小时,W为X的前q个特征向量矩阵且\(Z=W^TX\)

以上优化可以通过拉格朗日对偶问题求得,最终也会得到$$argmaxtr(WTXXTW)$$

\[s.t. W^TW = I \]

6. 核PCA推导

核函数:设X是输入空间(\(R^n\)的子集或离散子集),又F为特征空间(希尔伯特空间),如果存在一个从X到F的隐射$$\phi (X):X -> F$$使得对所有x,z\in X,函数K(x,z)满足条件$$K(x,z) = \phi (x)\bullet \phi (z)$$

下面推导F投影到的主成分定义的平面,根据F样本方差的特征值分解得(为推导方便去掉前面的(\(\frac{1}{n-1}\))$$F^THFV_i = \lambda _i V_i$$由于H为等逆矩阵,则$$F^THHFV_i = \lambda _i V_i$$

由于想得到F很难,我们换一种思路将求F转移求K上,根据AAT与ATA的关系:非零特质值相同,得到$$HFF^THU_i = \lambda _iU_i $$

两边同时乘以\(F^TH\)得到$$FTHHFFTHU_i = \lambda _iF^THU_i$$

从上式可以得到\(F^THU_i\)\(F^THHF\)的特征向量

\(F^THU_i\)进行归一化$$U_{normal} = \frac{FTHU_i}{{||U_iTHFF^THU_i||}_2}$$

由于\(HFF^TH = HKH = \lambda _i\),则$$U_{normal} = \lambda {-\frac{1}{2}}FTHU_i$$

F投影到\(U_normal\)定义的平面$$P = F_{center} U_{normal}$$

\[P= (F-\frac{1}{n}\sum_{i=1}^nF_i)(\lambda ^{-\frac{1}{2}}F^THU_i) \]

\[P= (F-\frac{1}{n}F^TI_n)(\lambda ^{-\frac{1}{2}}F^THU_i) \]

\[P= \lambda ^{-\frac{1}{2}}(K – \frac{1}{n}K(x,x_i))HU_i \]

附:奇异值分解

奇异值分解是一个能适用于任意矩阵的一种分解方法:$$A = U\xi{V}^T$$

假设A是一个MN的矩阵,那么U就是MM的方阵(里面的向量是正交的,U里面向量为左奇异向量),\(\xi\)为MN的实数对角矩阵(对角线以外的元素都是0,对角线上的元素为奇异值),
\(V^T\)是一个N
N的矩阵(里面的向量是正交的,V里面的向量称为右奇异向量)

再结合特征值分解:$$(A^T\bullet{A})\bullet{V_i} = \lambda{_i}\bullet{V_i}$$

上面得到的\(V_i\)就是奇异值分解种的右奇异向量,\(\lambda{_i}\)为特征值

此外我们还可以得到:$$\sigma{_i} = \sqrt{\lambda{_i}}\u_i=\frac{1}{\sigma{_i}}AV_i$$

上面的\(\sigma{_i}为奇异值\)\(u_i\)为左奇异向量

常见的做法是将奇异值由大到小排列,在大多数情况下,前10%甚至1%的奇异值的和就占了全部奇异值和的99%以上,也就是说我们可以用前r大的奇异值来近似描述矩阵

\[A_{m\times{n}}\approx{U_{m\times{r}}\xi{_{r\times{r}}}V_{r\times{n}}^T} \]

r是一个远小于m,n的数

参考资料:

  • (1)李航老师的<统计学习方法>
  • (2)<机器学习实战基于Scikit-Learn和TensorFlow>
  • (3)<百面机器学习>
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/120013.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • 运维架构简单剖析讲解

    运维架构简单剖析讲解运维架构简单剖析讲解随着IT运维的不断发展,尤其的Linux的飞速发展,越来越多的企业开始使用Linux操作系统平台,例如CentOS、RedHat、Ubuntu、Fedora等等,成千上亿个网站涌现在当今互联网,互联网已经成为必不可少的工具,那今天我们跟大家一起来分享讨论目前用的最多的Linux下主流网站架构:LVS+KEEPALIVED(heartbeat)+Squid+Nginx/Apache+JAVA/PHP+MySQL/MariaDB等,分享一个简单的拓扑图,供各位同学实验参考一般网站总体

  • afc2add是什么_appsync怎么使用

    afc2add是什么_appsync怎么使用APPsync是iPhone、iPad、iPodtouch越狱后最常安装的补丁,安装后可以绕过系统验证,随意安装运行破解的ipa软件。软件类型:Cydia软件软件格式:deb对于…

  • Activity 工作流引擎[通俗易懂]

    Activity 工作流引擎[通俗易懂]Activiti工作流引擎使用详解http://blog.csdn.net/m0_37327416/article/details/71743368Activity用户手册http://www.mossle.com/docs/activiti/index.html#demo.setup.one.minute.version学习视频https://item.taobao

  • AMD锐龙Ryzen CPU系列安装黑苹果MacOS 10.14 Mojave安装教程[通俗易懂]

    AMD锐龙Ryzen CPU系列安装黑苹果MacOS 10.14 Mojave安装教程[通俗易懂]教程需要的工具BootDiskUtility:http://cvad-mac.narod.ru/index/bootdiskutility_exe/0-5ParagonHardDiskManager:https://china.paragon-software.com/这个要注册账号才能用hf…

  • 2002-2007年最新免费空间

    2002-2007年最新免费空间赛腾网2006/11/06免费自助建站,150M存储空间,需要下载一个将近167M的软件来使用,但功能确实很强大,无广告。此免费空间的『演示』【推广】Fizwig2007/09/215G免费空间,每月10G流量,3个MySql数据库,ftp、web方式上传管理文件,有流量统计功能,可绑定域名(此服务未经测试),支持php,有广告。此免费空间的『演示』

  • PyCharm:设置是否在SciView中绘图

    PyCharm:设置是否在SciView中绘图有时候用PyCharm写代码,特别是用到matplotlib等库进行绘图时,图像常常会绘制在右侧的SciView窗口中,这样往往会遮挡住图像,特别是你的屏幕如果比较小的话,遮挡就比较麻烦了~~~特别是以下几种情况:①你用两个屏幕debug代码时,一个用来写代码,一个用来绘图,大屏,爽啊!②希望知道每一句代码都在图上做了什么改动,以及动态查看图是如何被绘制出来的。③图像较大而屏幕较小……

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号