1. 主成分分析数学背景
白化是一种常见的数据预处理步骤,而主成分分析(PCA)是实现白化的重要一步。
假设我们有数据集 {x(1),...x(m)} ,且这些数据经过了处理,每个维度具有0均值和相同的方差,如下图所示。
通常数据中存在冗余,以上图为例,数据可以投影到一个方向上,这样数据可以由二维变成一维的,减少数据冗余。
PCA即是这样的一种算法,通过寻找一个低维空间来映射数据。首先要计算协方差矩阵:
然后求协方差矩阵的特征向量和特征值:
其中特征值的大小满足关系: λ1>λ2>...>λn ,则 u1 称为x的第一主轴, y1=u′1x 称为x的第一主成分,以此类推, un 称为x的第n主轴, yn=u′nx 称为x的第n主成分。
2. 旋转数据
旋转后的数据,可以表示为:
matlab代码为:
sigma = x * x' / size(x, 2);
[u,s,v] = svd(sigma);
y = u'*x;
上面数据集旋转后的结果为:
3. 数据降维
在n个特征维度中,经PCA降维后将维度减至k维,降维后的数据可以表示为:
从压缩后的数据还原原始数据,可以表示为:
matlab代码如下:
k = 1; % Use k = 1 and project the data onto the first eigenbasis
xHat = zeros(size(x));
xRot = zeros(size(x));
xRot(1:k,:) = u(:,1:k)' * x;
xHat = u * xRot;
实验结果为:
4. PCA白化
对于有些数据集来说,不同特征之间有很强的相关性,比如图像像素之间是有关联的,白化的目的是去除原始特征数据之间的相关性,降低数据的冗余。我们希望经过白化处理后,数据之间具有这样的性质:
- 特征之间相关性较低;
- 所有的特征维度具有相同的方差。
由PCA的原理知,经PCA转换后的数据特征之间已没有了相关性,现在仅需要满足第二个条件,统一不同特征之间的方差。
转换后数据的协方差矩阵为:
diag{λ1,...,λn}
。所以仅需要将转换后的每个特征维度乘以
1/λi−−√
,因为可能存在特征值
λi
接近于0的情况,
1/λi−−√
此时过大,乘以该数值后会产生数据上溢,在实践中,使用正则化解决这个问题,即给每个特征值加上一个很小的常数
ϵ
:
matlab代码为:
epsilon = 1e-5;
xPCAWhite = zeros(size(x));
xRot = u'*x;
xPCAWhite = diag(1./sqrt(diag(s)+epsilon))*xRot;
实验结果:
5. ZCA白化
由白化的定义知,所谓白化,即使转换后的数据协方差矩阵为单位矩阵,可以证明,对任意的正交矩阵R,即满足:
RRT=RTR=I
,则
RxPCAwhite
仍具有单位协方差。在ZCA白化中,令
R=U
,可得ZCA白化结果为:
matlab代码为:
xZCAWhite = zeros(size(x));
xZCAWhite = u * diag(1./sqrt(diag(s) + epsilon)) * u' * x;
实验结果为:
参考资料:
1.http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial