主成分分析（PCA）原理总结

原文链接

1. PCA的思想

PCA顾名思义，就是找出数据里最主要的方面，用数据里最主要的方面来代替原始数据。具体的，假如我们的数据集是n维的，共有$m$个数据$(x^{(1)},x^{(2)},\dots ,x^{(m)})$。我们希望将这$m$个数据的维度从$n$维降到$n^{\prime }$维，希望这$m$个$n^{\prime }$维的数据集尽可能的代表原始数据集。我们知道数据从$n$维降到$n^{\prime }$维肯定会有损失，但是我们希望损失尽可能的小。那么如何让这$n^{\prime }$维的数据尽可能表示原来的数据呢？

\qquad 我们先看看最简单的情况，也就是$n=2，n^{\prime }=1$,也就是将数据从二维降维到一维。数据如下图。我们希望找到某一个维度方向，它可以代表这两个维度的数据。图中列了两个向量方向，$u_1$和$u_2$，那么哪个向量可以更好的代表原始数据集呢？从直观上也可以看出，$u_1$比$u_2$好。

\qquad 为什么$u_1$比$u_2$好?可以有两种解释，第一种解释是样本点到这个直线的距离足够近，第二种解释是样本点在这个直线上的投影能尽可能的分开。

\qquad 假如我们把$n^{\prime }$从1维推广到任意维，则我们的希望降维的标准为：样本点到这个超平面的距离足够近,或者说样本点在这个超平面上的投影能尽可能的分开。

\qquad 基于上面的两种标准，我们可以得到PCA的两种等价推导。

2. PCA的推导:基于最小投影距离

\qquad 我们首先看第一种解释的推导，即样本点到这个超平面的距离足够近。

\qquad 假设m个n维数据$(x^{(1)},x^{(2)},\dots ,x^{(m)})$都已经进行了中心化，即$\sum _{i=1}^m{x}^{(i)}=0$，经过投影变换后得到的新坐标系为$(w_1,w_2,\dots ,w_n)$,其中$w$是正交基，即$||w|{|}^2=1,w_i^T{w}_j=0$

\qquad 如果我们将数据从$n$维降到$n^{\prime }$维，即丢弃新坐标系中的部分坐标，则新的坐标系为$(w_1,w_2,\dots ,w_{n^{\prime }})$，样本点$x^{(i)}$在$n^{\prime }$维坐标系中的投影为：$z^{(i)}=(z_1^{(i)},z_2^{(2)},\dots ,z_{n^{\prime }}^{(i)}{)}^T$，是一个列向量。其中，$z_j^{(i)}=w_j^T{x}_j^{(i)}$是$x^{(i)}$在低维坐标系里第j维的坐标，$w_j$为单位正交列向量。

\qquad 如果我们用$z^{(i)}$来恢复原始数据$x^{(i)}$,则得到的恢复数据${\overline{x}}^{(i)}=\sum _{j=1}^{n^{\prime }}{z}_j^{(i)}{w}_j=W{z}^{(i)}$，其中，$W$为标准正交基组成的矩阵,维度为$(n,n^{\prime })$。

\qquad 现在我们考虑整个样本集，我们希望所有的样本到这个超平面的距离足够近，即最小化下式：
$$\sum _{i=1}^m||{\overline{x}}^{(i)}-x^{(i)}|{|}^2$$
\qquad 将这个式子进行整理，可以得到:
$$\begin{array}{rl}\sum _{i=1}^m||{\overline{x}}^{(i)}-x^{(i)}|{|}^2& =\sum _{i=1}^m||W{z}^{(i)}-x^{(i)}|{|}^2\\ & =\sum _{i=1}^m[(W{z}^{(i)}{)}^T(W{z}^{(i)})-2(W{z}^{(i)}{)}^T{x}^{(i)}+x^{(i)T}{x}^{(i)}]\\ & =\sum _{i=1}^m[z^{(i)T}{W}^{T}W{z}^{(i)}-2z^{(i)T}{W}^T{x}^{(i)}+x^{(i)T}{x}^{(i)}]\\ & =\sum _{i=1}^m[z^{(i)T}{z}^{(i)}-2z^{(i)T}{z}^{(i)}+x^{(i)T}{x}^{(i)}]\\ & =-\sum _{i=1}^m{z}^{(i)T}{z}^{(i)}+\sum _{i=1}^m{x}^{(i)T}{x}^{(i)}\\ & =-\sum _{i=1}^{m}tr(z^{(i)}{z}^{(i)T})+C\\ & =-tr(W^T{x}^{(i)}{x}^{(i)T}W)+C\end{array}$$

\qquad 其中使用到推导公式：

\qquad (1）${\overline{x}}^{(i)}=W{z}^{(i)}$,$z^{(i)}=W^T{x}^{(i)}$, (2) 平方和展开公式, (3）矩阵转置公式 $(AB{)}^T=B^T{A}^T$, (4) $W^{T}W=I$,(5) 由矩阵的迹$tr(AB)=tr(BA)$，$tr(z^{(i)}{z}^{(i)T})=tr(z^{(i)T}{z}^{(i)})=z^{(i)T}{z}^{(i)}$

\qquad 注意到$\sum _{i=1}^m{x}^{(i)}{x}^{(i)T}$是数据集的协方差矩阵，W的每一个向量$w_j$是标准正交基。而$\sum _{i=1}^m{x}^{(i)T}{x}^{(i)}$是一个常量C,最小化上式等价于：
$$\underset{W}{\underbrace{argmin}}-tr(W^{T}X{X}^{T}W),s.t.W^{T}W=I$$

\qquad 这个最小化不难，直接观察也可以发现最小值对应的W由协方差矩阵$X{X}^T$最大的$n^{\prime }$个特征值对应的特征向量组成。当然用数学推导也很容易。利用拉格朗日函数可以得到。
$$J(W)=-tr(W^{T}X{X}^{T}W+\lambda (W^{T}W-I))$$
\qquad 对W求导有$-X{X}^{T}W+\lambda W=0$整理下即为：
$$X{X}^{T}W=\lambda W$$

\qquad 这样可以更清楚的看出，$W$为$X{X}^T$的$n^{\prime }$个特征向量组成的矩阵，而$\lambda$为$X{X}^T$的若干特征值组成的矩阵，特征值在主对角线上，其余位置为0。当我们将数据集从n维降到$n^{\prime }$维时，需要找到最大的$n^{\prime }$个特征值对应的特征向量。这$n^{\prime }$个特征向量组成的矩阵W即为我们需要的矩阵。对于原始数据集，我们只需要用$z^{(i)}=W^T{x}^{(i)}$,就可以把原始数据集降维到最小投影距离的$n^{\prime }$维数据集。

\qquad 如果你熟悉谱聚类的优化过程，就会发现和PCA的非常类似，只不过谱聚类是求前k个最小的特征值对应的特征向量，而PCA是求前k个最大的特征值对应的特征向量。

3. PCA的推导:基于最大投影方差

\qquad 现在我们再来看看基于最大投影方差的推导。

\qquad 假设m个n维数据$(x^{(1)},x^{(2)},\dots ,x^{(m)})$都已经进行了中心化，即$\sum _{i=1}^m{x}^{(i)}=0$，经过投影变换后得到的新坐标系为$(w_1,w_2,\dots ,w_n)$,其中$w$是正交基，即$||w|{|}^2=1,w_i^T{w}_j=0$

\qquad 如果我们将数据从$n$维降到$n^{\prime }$维，即丢弃新坐标系中的部分坐标，则新的坐标系为$(w_1,w_2,\dots ,w_{n^{\prime }})$，样本点$x^{(i)}$在$n^{\prime }$维坐标系中的投影为：$z^{(i)}=(z_1^{(i)},z_2^{(2)},\dots ,z_{n^{\prime }}^{(i)}{)}^T$，是一个列向量。其中，$z_j^{(i)}=w_j^T{x}_j^{(i)}$是$x^{(i)}$在低维坐标系里第j维的坐标，$w_j$为单位正交列向量。

\qquad 对于任意一个样本$x^{(i)}$，在新的坐标系中的投影为$W^T{x}^{(i)}$，在新坐标系中的投影方差为$(W^T{x}^{(i)}{)}^T(W^T{x}^{(i)})$,要使所有的样本的投影方差和最大，也就是最大化$\sum _{i=1}^m(W^T{x}^{(i)}{)}^T(W^T{x}^{(i)})$，由协方差矩阵的迹可知:
$$\sum _{i=1}^m(W^T{x}^{(i)}{)}^T(W^T{x}^{(i)})=tr((W^{T}X{)}^T(W^{T}X))=tr(W^{T}X{X}^{T}W)$$
即：
$$\underset{W}{\underbrace{argmax}}tr(W^{T}X{X}^{T}W)s.t.W^{T}W=I$$
\qquad 观察第二节的基于最小投影距离的优化目标，可以发现完全一样，只是一个是加负号的最小化，一个是最大化。

\qquad 利用拉格朗日函数可以得到:
$$J(W)=tr(W^{T}X{X}^{T}W+\lambda (W^{T}W-I))$$
\qquad 对$W$求导有$X{X}^{T}W+\lambda W=0$，整理下即为：
$$X{X}^{T}W=-\lambda W$$
\qquad 和上面一样可以看出，$W$为$X{X}^T$的$n^{\prime }$个特征向量组成的矩阵，而$-\lambda$为$X{X}^T$的若干特征值组成的矩阵，特征值在主对角线上，其余位置为0。当我们将数据集从$n$维降到$n^{\prime }$维时，需要找到最大的$n^{\prime }$个特征值对应的特征向量。这$n^{\prime }$个特征向量组成的矩阵$W$即为我们需要的矩阵。对于原始数据集，我们只需要用$z^{(i)}=W^T{x}^{(i)}$,就可以把原始数据集降维到最小投影距离的$n^{\prime }$维数据集。

4. PCA算法流程

\qquad 从上面两节我们可以看出，求样本$x^{(i)}$的$n^{\prime }$维的主成分其实就是求样本集的协方差矩阵$X{X}^T$的前$n^{\prime }$个特征值对应特征向量矩阵$W$，然后对于每个样本$x^{(i)}$,做如下变换$z^{(i)}=W^T{x}^{(i)}$，即达到降维的PCA目的。

\qquad 下面我们看看具体的算法流程。

\qquad 输入：$n$维样本集$D=(x^{(1)},x^{(2)},\dots ,x^{(n)})$,要降维到的维数$n^{\prime }$.

\qquad 输出：降维后的样本集$D^{\prime }$

\qquad 1) 对所有的样本进行中心化：$x^{(i)}=x^{(i)}-\frac{1}{m}\sum _{j=1}^m{x}^{(j)}$

\qquad 2) 计算样本的协方差矩阵$X{X}^T$

\qquad 3) 对矩阵$X{X}^T$进行特征值分解

\qquad 4）取出最大的n’个特征值对应的特征向量$(w_1,w_2,\dots ,w_{n^{\prime }})$，将所有的特征向量标准化后，组成特征向量矩阵$W$。

\qquad 5）对样本集中的每一个样本$x^{(i)}$,转化为新的样本$x^{(i)}=W^T{x}^{(i)}$。

\qquad 6) 得到输出样本集$D=(z^{(1)},z^{(2)},\dots ,z^{(m)})$

\qquad 有时候，我们不指定降维后的$n^{\prime }$的值，而是换种方式，指定一个降维到的主成分比重阈值$t$。这个阈值t在$(0,1]$之间。假如我们的$n$个特征值为${\lambda }_1\ge {\lambda }_2\ge \cdots \ge {\lambda }_{n^{\prime }}$，则$n^{\prime }$可以通过下式得到:
$$\frac{\sum _{i=1}^{n^{\prime }}{\lambda }_i}{\sum _{i=1}^n{\lambda }_i}\ge t$$

5. PCA实例

\qquad 下面举一个简单的例子，说明PCA的过程。
\qquad 假设我们的数据集有10个二维数据(2.5,2.4), (0.5,0.7), (2.2,2.9), (1.9,2.2), (3.1,3.0), (2.3, 2.7), (2, 1.6), (1, 1.1), (1.5, 1.6), (1.1, 0.9)，需要用PCA降到1维特征。

\qquad 首先我们对样本中心化，这里样本的均值为(1.81, 1.91),所有的样本减去这个均值后，即中心化后的数据集为(0.69, 0.49), (-1.31, -1.21), (0.39, 0.99), (0.09, 0.29), (1.29, 1.09), (0.49, 0.79), (0.19, -0.31), (-0.81, -0.81), (-0.31, -0.31), (-0.71, -1.01)。

import numpy as np

data = [(2.5, 2.4), (0.5, 0.7), (2.2, 2.9), (1.9, 2.2), (3.1, 3.0), (2.3, 2.7), (2, 1.6), (1, 1.1), (1.5, 1.6),
        (1.1, 0.9)]

data = np.array([[t[0], t[1]] for t in data])
average = np.mean(data, axis=0)
data = data - average
print(data)
"""
[[ 0.69  0.49]
 [-1.31 -1.21]
 [ 0.39  0.99]
 [ 0.09  0.29]
 [ 1.29  1.09]
 [ 0.49  0.79]
 [ 0.19 -0.31]
 [-0.81 -0.81]
 [-0.31 -0.31]
 [-0.71 -1.01]]
"""

\qquad 现在我们开始求样本的协方差矩阵，由于我们是二维的，则协方差矩阵为：
$$X{X}^T=\left(\begin{array}{cc}cov(x_1,x_1)& cov(x_1,x_2)\\ cov(x_2,x_1)& cov(x_2,x_2)\end{array}\right)$$
\qquad 对于我们的数据，求出协方差矩阵为：
$$X{X}^T=\left(\begin{array}{cc}0.61655556& 0.61544444\\ 0.61544444& 0.7165555\end{array}\right)$$

cov = np.cov(data[:, 0], data[:, 1])
print(cov)
"""
[[0.61655556 0.61544444]
 [0.61544444 0.71655556]]
"""

\qquad 求出特征值为$(0.490833989,1.28402771)$，对应的特征向量分别为：$(-0.73517866,0.6778734{)}^T$ 和 $(-0.6778734,-0.73517866{)}^T$

eigenvalue, featurevector = np.linalg.eig(cov)
print(eigenvalue)
"""
[0.0490834  1.28402771]
"""
print(featurevector) # 该特征向量为列向量
"""
[[-0.73517866 -0.6778734 ]
 [ 0.6778734  -0.73517866]]
"""

\qquad 由于最大的$k=1$个特征值为1.28402771，对于的$k=1$个特征向量为$(-0.6778734,-0.73517866{)}^T$， 则我们的$W=(-0.6778734,-0.73517866{)}^T$

\qquad 我们对所有的数据集进行投影$z^{(i)}=W^T{x}^{(i)}$，得到PCA降维后的10个一维数据集为：(-0.827970186， 1.77758033， -0.992197494， -0.274210416， -1.67580142， -0.912949103， 0.0991094375， 1.14457216, 0.438046137， 1.22382056)

z = np.matmul(data, featurevector[:, 1].T)
print(z)

6. 核主成分分析KPCA介绍

\qquad 在上面的PCA算法中，我们假设存在一个线性的超平面，可以让我们对数据进行投影。但是有些时候，数据不是线性的，不能直接进行PCA降维。这里就需要用到和支持向量机一样的核函数的思想，先把数据集从$n$维映射到线性可分的高维$N>n$,然后再从$N$维降维到一个低维度$n^{\prime }$, 这里的维度之间满足$n^{\prime }<n<N$。

\qquad 使用了核函数的主成分分析一般称之为核主成分分析(Kernelized PCA, 以下简称KPCA。假设高维空间的数据是由n维空间的数据通过映射$\varphi$产生。

\qquad 则对于n维空间的特征分解：
$$\sum _{i=1}^m{x}^{(i)}{x}^{(i)T}W=\lambda W$$

\qquad 映射为：
$$\sum _{i=1}^m\varphi (x^{(i)})\varphi (x^{(i)}{)}^{T}W=\lambda W$$

\qquad 通过在高维空间进行协方差矩阵的特征值分解，然后用和PCA一样的方法进行降维。一般来说，映射$\varphi$不用显式的计算，而是在需要计算的时候通过核函数完成。由于KPCA需要核函数的运算，因此它的计算量要比PCA大很多。

7. PCA算法总结

\qquad 这里对PCA算法做一个总结。作为一个非监督学习的降维方法，它只需要特征值分解，就可以对数据进行压缩，去噪。因此在实际场景应用很广泛。为了克服PCA的一些缺点，出现了很多PCA的变种，比如第六节的为解决非线性降维的KPCA，还有解决内存限制的增量PCA方法Incremental PCA，以及解决稀疏数据降维的PCA方法Sparse PCA等。

\qquad PCA算法的主要优点有：

\qquad 1）仅仅需要以方差衡量信息量，不受数据集以外的因素影响。
　
\qquad 2）各主成分之间正交，可消除原始数据成分间的相互影响的因素。

\qquad 3）计算方法简单，主要运算是特征值分解，易于实现。


\qquad PCA算法的主要缺点有：

\qquad 1）主成分各个特征维度的含义具有一定的模糊性，不如原始样本特征的解释性强。

\qquad 2）方差小的非主成分也可能含有对样本差异的重要信息，因降维丢弃可能对后续数据处理有影响。