数据标准化与PCA白化原理探索

PCA是实验中很常用的工具，一般用来做降维，它的实现有很多很多种，其中牵涉相当多的细节，笔者在实现PCA时常常有困惑，为什么查到的各种代码总有一些不同的trick，有时候对样本提前归一化？有时候又要减均值？这些操作对于PCA降维效果到底有什么影响？这篇文章从PCA白化入手，探究这些trick背后的原因。

1 Whitening （白化）

白化1有两种，一种是PCA Whitening，一种是ZCA Whitening，它主要目标是降低数据的冗余性，我们希望通过白化过程使得学习算法的输入具有如下性质：

• 特征之间相关性较低；
• 所有特征具有相同的方差。

2 Standardize（标准化）

标准化有多种实现方式，其目标是使数据均值为0，方差为1，使得不同维度的特征具有同等重要性。因为不同维度的特征代表的信息不同，数值变化范围会有较大差异，如果统一衡量将可能影响判断。

在PCA中融入standardize就是PCA whitening。

2.1 举例说明Standardize重要性

那么standardize有什么好处？看一个来自StackExchange的例子2：

用一个特征来描述一棵树，它是二维的，第一维是高度height，第二维是切面周长girth，我们要根据这个二维特征，来推断一棵树的体积volume是low还是high（设大于20为high）。
我们分以下三种情况来分析：

2.1.1 Different measure

先看一种比较极端的情况，让height的单位是mile，girth的单位是feet，1mile=5280feet=1.6km，也就是说，height的值将是很小的小数，我们假设height取值范围是[0,0.05]，而girth的值取值范围可以假设为[20,50]，一个树的height那一维的特征从0.04变为0.05，相对于girth已经可以小的忽略不计了，但是它在自己的取值范围上变化了$\frac15$，从直观上看这是必须考虑的，所以我们要增大这种数值小，数值范围小的特征的影响。

分析主成分

                       Comp.1         Comp.2
Standard deviation   3.0871086    1.014551e-03
Loadings:  tree.height                 -1    
           tree.girth     1    

画图分析，其中灰色的low/high指的是volume，红线height和girth的走势是根据loading画出的，loading指的是原始特征在component上保留的方差，可以看出，height的方差主要反映在component2上，girth的方差反映在component1上，而由于height的重要性被girth完全压制，故在图中可以看到，volume的low/high完全靠girth来决定，girth越大，volume越大，height的信息完全没有起到作用。而我们知道事实上，一棵树的体积肯定跟高度是有关系的。

2.1.2 Same measure without standarized

进一步地，让height和girth单位一致，即都是feet。

分析其主成分：

                       Comp.1         Comp.2
Standard deviation   6.5088696   2.5407042
Loadings:  tree.height  -0.956    0.293 
           tree.girth   -0.293   -0.956

从图中可以看出，height的红线较长，代表volume对height较敏感。因为component1的方差大，即变化范围大，而原始数据height那一维的数据的方差较多地反映在component1上，因此height起到较大影响。这是因为一棵树的height变化范围比girth变化范围大。但是实际上，根据树的体积计算公式，我们知道，树的girth应该起较大作用。

$$V \propto girth^2 \times height$$

2.1.3 Standarized

至此，来看看standardize的结果。

分析其主成分：

                       Comp.1         Comp.2
Standard deviation   0.2275561   0.06779544
Loadings:  tree.height  0.203     -0.979
           tree.girth   0.979   0.203