PCA的原理、目标函数及求解方法。

首先解释下什么是降维：

PCA旨在找到数据中的主成分，并利用这些主成分表征原始数据，从而达到降维的目的。举一个简单的例子，在三维空间中有一系列数据点，这些点分布在一个过原点的平面上。如果我们用自然坐标系x,y,z三个轴来表示数据，就需要使用三个维度。而实际上，这些点只出现在一个二维平面上，如果我们通过坐标系旋转变换使得数据所在平面与x,y平面重合，那么我们就可以通过x’,y’两个维度表达原始数据，并且没有任何损失，这样就完成了数据的降维。而x,y两个轴所包含的信息就是我们要找到的主成分。
但在高维空间中，我们往往不能像刚才这样直观地想象出数据的分布形式，也就更难精确地找到主成分对应的轴是哪些。不妨，我们先从最简单的二维数据来看看PCA究竟是如何工作的，如图4.1所示。

图4.1（a）是二维空间中经过中心化的一组数据，我们很容易看出主成分所在的轴（以下称为主轴）的大致方向，即图4.1（b）中黄线所处的轴。因为在黄线所处的轴上，数据分布得更为分散，这也意味着数据在这个方向上方差更大。在信号处理领域，我们认为信号具有较大方差，噪声具有较小方差，信号与噪声之比称为信噪比。信噪比越大意味着数据的质量越好，反之，信噪比越小意味着数据的质量越差。由此我们不难引出PCA的目标，即最大化投影方差，也就是让数据在主轴上投影的方差最大。
对于给定的一组数据点{$v_1$,$v_2$,$v_3$,$v_4$,…$v_i$}，其中所有向量均为列向量，中心化后的表示为：{$v_1-u$,$v_2-u$,$v_3-u$,$v_4-u$,…$v_i-u$}，其中u=$\frac{1}{n}$$\sum _{i=1}^n{v}_i$。我们知道，向量内积在几何上表示一个向量在另一个向量上投影的长度。因此$x_i$在w上的投影坐标可以表示为($x_i$,w)=$x^T$w。所以目标是找到一个投影方向w，使得（$x_1$,$x_2$,$x_3$,$x_4$,…$x_i$）在w上投影方差尽可能大。容易得知投影之后，均值为0，因为
这也是我们中心化的意义。投影后的方差表示为：

仔细一看，这其实就是样本的协方差矩阵啊，我们将其写作Σ，另外由于$w^T$w=1，因此我们要求解一个最大化问题，可表示为：

引入拉格朗日乘子，并对w求导使其为0，便可以推出Σ,此时

熟悉线性代数的读者马上就会发现，原来，x投影后的方差就是协方差矩阵的特征值。我们要找到最大的方差也就是协方差矩阵最大的特征值，最佳投影方向就是最大特征值所对应的特征向量。次佳投影方向位于最佳投影方向的正交空间中，是第二大特征值对应的特征向量，以此类推。至此，我们得到以下几种PCA的求解方法。
（1）对样本数据进行中心化处理。
（2）求样本协方差矩阵。
（3）对协方差矩阵进行特征值分解，将特征值从大到小排列。
（4）取特征值前d大对应的特征向量（$w_1$,$w_2$,$w_3$,$w_4$,…$w_d$），通过以下映射将n维样本映射到d维

新的x’的第d维就是x在第d个主成分au方向上的投影，通过选取最大的d个特征值对应的特征向量，我们将方差较小的特征（噪声）抛弃，使得每个n维列向量x被映射为d维列向量x，定义降维后的信息占比为

·总结与扩展·

至此，我们从最大化投影方差的角度解释了PCA的原理、目标函数和求解方法。其实，PCA还可以用其他思路进行分析，比如从最小回归误差的角度得到新的目标函数。但最终我们会发现其对应的原理和求解方法与本文中的是等价的。另外，由于PCA是一种线性降维方法，虽然经典，但具有一定的局限性。我们可以通过核映射对PCA进行扩展得到核主成分分析（KPCA），也可以通过流形映射的降维方法，比如等距映射、局部线性嵌入、拉普拉斯特征映射等，对一些PCA效果不好的复杂数据集进行非线性降维操作。