PCA与RPCA
PCA和RPCA从名字看是有一些相似性的,两者的区别在于对于误差的假设不同,PCA假设数据误差是服从高斯分布的,即数据噪声较小;RPCA假设数据噪声是稀疏的,并且可能是强的噪声;
一般推导主成分分析可以有两种方法:
- 最近可重构性:样本点到超平面要尽可能近;
- 最大可分性:样本点在这个超平面上的投影尽可能分开,即最大化投影方差;
下面基于最大化投影方差来回归该算法,首先,先回顾一下PCA操作的步骤:
- 对样本数据进行中心化处理(这步操作比较重要,特别是对推导公式)
- 求样本的协方差矩阵;
- 对样本的协方差矩阵进行特征值分解,并通过前k个特征值对应的特征向量进行映射:
\[ \boldsymbol{x}_{i}^{\prime}=\left[\begin{array}{c}{\boldsymbol{\omega}_{1}^{\mathrm{T}} \boldsymbol{x}_{i}} \\ {\boldsymbol{\omega}_{2}^{\mathrm{T}} \boldsymbol{x}_{i}} \\ {\vdots} \\ {\boldsymbol{\omega}_{d}^{\mathrm{T}} \boldsymbol{x}_{i}}\end{array}\right] \]
最大方差推导:
假设原始的坐标为