PCA 算法 原理解析

目前，pca算法已经广泛应用于各方面，就拿图像处理，经常做的一件事就是当提取的图像特征维度比较高时，为了简化计算量以及储存空间，需要对这些高维数据进行一定程度上的降维，并尽量保证数据的不失真。

 

先举个例子，方便理解：

    1）对于一个训练集，100个sample(i=1,2,3,...,100)，特征X_i是20维.[X_i1,X_i2,X_i3,...X_ij,...,X_i20](j=1,2,..,20)，那么它可以建立一个20*100的样本矩阵M。

    2）紧接着我们开始求这个样本的协方差矩阵，得到一个20*20的协方差矩阵，计算过程如下：

            •先求解出Xi的平均Xav=(∑x_i)/20;

            •对每一个X_i,计算Xi-X_av,即Mi(第 i 行)变为 M_i-X_av,记为Mn;

            •则容易得到协方差矩阵Z为Mn*Mn'( ' 表示转置 ) 。

    3）然后求出这个协方差矩阵Z_20x20的特征值和特征向量，一般情况下应该有20个特征值和特征向量，现在根据特征值的大小，取出较大的特征值以及其所对应的特征向量，（假设提取的特征值为较大的5个特征值），那么这5个特征向量就会构成一个20*5的矩阵V，这个矩阵就是我们要求的特征矩阵。

    4）用Mn'去乘以V，得到一个base矩阵（*），大小为100x5。

    5）任取一个样本1x100,乘上这个100*5的特征矩阵，就得到了一个1*5的新的样本，显然每个sample的维数下降了，然后再用这个1x5向量去比较相似性。

 

注：

›上述3）过程中特征值的选取在不确定具体要降到多少维的情况下，一般还可以根据n个特征值之和大于总和的90%进行选取。

›上面的（*）处base矩阵的求解不唯一，也可以自行修正。

最后，说下PCA的缺点：PCA将所有的样本（特征向量集合）作为一个整体对待，去寻找一个均方误差最小意义下的最优线性映射投影，而忽略了类别属性，而它所忽略的投影方向有可能刚好包含了重要的可分性信息