一、前言
1.1维度约减
- 有监督学习(Supervised Learning)
- 定义:从标记的训练数据来推断一个功能的机器学习任务。利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程。
- 特点:
- 训练数据既有特征(feature)又有标签(label)。
- 通过训练,让机器可以自己找到特征和标签之间的联系。
- 常见的算法包括朴素贝叶斯、KNN(K-最近邻)、SVM(支持向量机)等。
- 应用场景:当数据集中每个样本都有明确的标签时,适合使用有监督学习。例如,图像分类、垃圾邮件识别等。
- 无监督学习(Unsupervised Learning)
- 定义:根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题。
- 特点:
- 输入数据没有被标记,也没有确定的结果。
- 样本数据类别未知,需要根据样本间的相似性对样本集进行分类(聚类)。
- 常见的算法包括K-means(K均值聚类)、层次聚类等。
- 应用场景:当数据集没有明确的标签,但需要发现数据中的内在结构或模式时,适合使用无监督学习。例如,用户行为分析、市场细分等。
- 半监督学习(Semi-Supervised Learning)
- 定义:介于监督学习和无监督学习之间,利用少量的标注数据和大量的未标注数据共同训练模型。
- 特点:
- 同时使用标注数据(已知标签)和未标注数据(未知标签)。
- 旨在充分挖掘未标注数据中潜在的信息和模式,提高学习的效率和准确性。
- 常见的假设包括连续性假设和流形假设。
- 应用场景:当标注数据有限或获取标注数据成本较高时,适合使用半监督学习。例如,自然语言处理中的文本分类、图像识别等。
二、PCA 算法
2.1PCA算法介绍
PCA算法是一种无监督学习方法,它通过线性变换将原始数据转换为新的坐标系统,使得数据的最大方差投影在新的坐标轴上。这些新的坐标轴被称为“主成分”,它们是原始数据的主要特征方向。通过选择数据的主成分,PCA可以在减少数据维度的同时,保留数据中的主要信息,从而实现数据的降维。
功能如下:
1. 降维
PCA可以将高维数据集降到更低的维度,减少数据存储和处理的开销。
2. 压缩
PCA可以将数据集表示为比原始数据集更紧凑的形式,可以用于数据压缩。
3. 特征提取
PCA可以从原始数据集中提取最重要的特征,这些特征可以用于构建更好的模型。
4. 去噪
PCA可以帮助我们去除噪声,并且使数据集更具可分性。
2.2PCA算法的原理
- 特征提取:PCA算法从原始数据集中提取出主成分,这些主成分是与原始数据最为相关的特征向量,能够最大程度地解释整个数据集的方差。通常,只需要选择前几个主成分,就能保留大部分数据特征。
- 降维处理:在得到数据集的主成分之后,PCA使用这些主成分将原始数据投影到一个低维度的空间。在这个低维度空间中,数据点之间的距离和分布与原始数据点之间的距离和分布相似。这样,降维后的数据集可以更容易处理,从而加快了数据分析的速度。
- 矩阵运算:PCA算法的核心是矩阵运算。它通常通过计算数据集的协方差矩阵,然后对协方差矩阵进行奇异值分解(SVD)或特征值分解,得到主成分和对应的特征向量。这些特征向量决定了数据的最主要的方向,可以用来降低数据的维度。
- 可视化:通过PCA算法得到的降维数据可以进行可视化,便于数据分析和展示。在可视化过程中,考虑到主成分中的权重差异,需要进行合适的权重调整才能得到更好的可视化效果。
2.3PCA算法流程
1.数据集{Xi};
2.计算数据集{Xi}的均值;
3.计算协方差矩阵S;
4.计算S的特征向量;
5.根据特定准则选择d个特征向量,并组成变换矩阵。
实际计算中可以先对原始数据减去均值,再求协方差矩阵。
2.4代数定义讲解
给定n个样本,每个样本维度为p维;
定义Z1j为样本Xj在第一主成分/主方向a1上的投影;
目标:找到a1,使得z1的方差最大;
假设X^为0,根据样本组成的矩阵,则有协方差矩阵;
可以证明S半正定
目标:找到主方向a1,使得z1的方差最大化且满足a1t a1等于1,则有:
得出a1是协方差矩阵S的特征向量,可以验证a1对应的特征值是S的最大特征值;
继续计算主成分a2:
实际上可以求证a2也是协方差矩阵S的特征向量,且a2是S 的第二大特征向量;
以此类推,可以验证:
协方差矩阵S 的第k大特征向量对应数据的第k主成分
第k大特征向量对应的特征值,为投影到该主成分的方差
2.5PCA算法的优缺点
- 优点:
- 无监督学习:PCA不需要标签数据,适用于非监督学习任务。
- 降维:PCA能够有效地降低数据的维度,简化数据的复杂性,同时保留数据的主要特征。
- 特征提取:PCA能够提取出数据中的主要特征,使得数据的可视化更加容易。
- 可解释性强:PCA将数据投影到低维空间后,得到的特征向量通常具有直观的含义。
- 稳健性:PCA对异常值和噪声的鲁棒性较强。
- 缺点:
- 线性假设:PCA假设数据之间存在线性关系,对于非线性关系的数据可能效果不佳。
- 对初始变量有影响:PCA对初始变量的顺序和标签敏感。
- 对缺失值敏感:PCA对缺失值较为敏感,可能导致结果的不稳定。
- 选择主成分个数:在PCA中需要选择主成分的个数,选择不当可能会导致降维后的数据失去一些重要信息。
- 无法处理多模态数据:PCA主要处理连续型数据,对于离散型或分类数据表现较差。
三、代码案例(PCA实现人脸识别)
1.图像矢量化
def img2vector(image):
img = cv2.imread(image, 0) # 读取图片
rows, cols = img.shape #获取图片的像素
imgVector = np.zeros((1, rows * cols))
imgVector = np.reshape(img, (1, rows * cols))#使用imgVector变量作为一个向量存储图片矢量化信息,初始值均设置为0
return imgVector
2.训练图片
# 读入人脸库,每个人随机选择k张作为训练集,其余构成测试集
def load_orl(k):#参数K代表选择K张图片作为训练图片使用
'''
对训练数据集进行数组初始化,用0填充,每张图片尺寸都定为112*92,
现在共有40个人,每个人都选择k张,则整个训练集大小为40*k,112*92
'''
train_face = np.zeros((40 * k, 112 * 92))
train_label = np.zeros(40 * k) # [0,0,.....0](共40*k个0)
test_face = np.zeros((40 * (10 - k), 112 * 92))
test_label = np.zeros(40 * (10 - k))
# sample=random.sample(range(10),k)#每个人都有的10张照片中,随机选取k张作为训练样本(10个里面随机选取K个成为一个列表)
sample = random.permutation(10) + 1 # 随机排序1-10 (0-9)+1
for i in range(40): # 共有40个人
people_num = i + 1
for j in range(10): # 每个人都有10张照片
image = orlpath + '/s' + str(people_num) + '/' + str(sample[j]) + '.pgm'
# 读取图片并进行矢量化
img = img2vector(image)
if j < k:
# 构成训练集
train_face[i * k + j, :] = img
train_label[i * k + j] = people_num
else:
# 构成测试集
test_face[i * (10 - k) + (j - k), :] = img
test_label[i * (10 - k) + (j - k)] = people_num
return train_face, train_label, test_face, test_label
测试集和训练集的像素和标签 :
3.PCA降维
# 定义PCA算法
def PCA(data, r):#降低到r维
data = np.float32(np.mat(data))
rows, cols = np.shape(data)
# print(rows, cols)
data_mean = np.mean(data, 0) # 对列求平均值
A = data - np.tile(data_mean, (rows, 1)) # 将所有样例减去对应均值得到A
u, s, VT = np.linalg.svd(A) #利用svd求解右奇异向量即需要将原始数组映射的向量空间矩阵
V_r = VT[:, 0:r] # 按列取前r个特征向量
#将原始数据乘上新的空间向量得到降维后的矩阵
final_data = A * V_r
return final_data, data_mean, V_r
4.可视化
#可视化函数
def compare_images(original, reconstructed, index, title1='Original Image', title2='Reconstructed Image'):
original_image = original[index].reshape(112,92)
reconstructed_image = reconstructed[index].reshape(112,92)
plt.figure(figsize=(8,4))
plt.subplot(1,2,1)
plt.imshow(original_image, cmap='gray')
plt.title(title1)
plt.subplot(1,2,2)
plt.imshow(reconstructed_image, cmap='gray')
plt.title(title2)
plt.show()
#人脸识别函数
def face_recongize():
#首先获取数据集
train_face, train_label, test_face, test_label = load_orl(7)
#选择要对比的测试图像的索引(例如,第一张图像)
compare_indices = range(1)
for r in range(10, 81, 10): # 最多降到40维,即选取前40个主成分(因为当k=1时,只有40维)
print("当降维到%d时" % (r))
# 利用PCA算法进行训练
data_train_new, data_mean, V_r = PCA(train_face, r)
# print(data_train_new.shape)
num_train = data_train_new.shape[0] # 训练脸总数
num_test = test_face.shape[0] # 测试脸总数
temp_face = test_face - np.tile(data_mean, (num_test, 1))
data_test_new = temp_face * V_r # 得到测试脸在特征向量下的数据
data_test_new = np.array(data_test_new) # mat change to array
# print(data_test_new.shape)
data_train_new = np.array(data_train_new)
#将降维后的测试数据重构回原始图像空间
reconstructed_test_faces = np.dot(data_test_new, V_r.T) + data_mean
#对选定的测试图像进行降维前后对比
for i in compare_indices:
compare_images(test_face,reconstructed_test_faces,i)
# 测试准确度
true_num = 0
for i in range(num_test):
testFace = data_test_new[i, :]
# print(testFace.shape)
diffMat = data_train_new - np.tile(testFace, (num_train, 1)) # 训练数据与测试脸之间距离
print(diffMat.shape)
sqDiffMat = diffMat ** 2
sqDistances = sqDiffMat.sum(axis=1) # 按行求和
sortedDistIndicies = sqDistances.argsort() # 对向量从小到大排序,使用的是索引值,得到一个向量
indexMin = sortedDistIndicies[0] # 距离最近的索引
if train_label[indexMin] == test_label[i]:
true_num += 1
accuracy = float(true_num) / num_test
print('当每个人选择7张照片进行训练时,The classify accuracy is: %.2f%%' % (accuracy * 100))
# print(test_face.shape)
# print(reconstructed_test_faces.shape)
face_recongize()
返回降维后前后图像对比及像素 :
5.不同维度识别准确度
#人脸识别
def face_rec():
#k=int(input("每个人选择几张照片进行训练:"))
#x_value=[]
#y_value=[]
for r in range(10,41,10):#最多降到40维,即选取前40个主成分(因为当k=1时,只有40维)
print("当降维到%d时"%(r))
x_value=[]#绘图x轴 k取值
y_value=[]#绘图y轴 识别率
for k in range(1,10):
train_face,train_label,test_face,test_label=load_orl(k)#得到数据集
#利用PCA算法进行训练
data_train_new,data_mean,V_r=PCA(train_face,r)
num_train = data_train_new.shape[0]#训练脸总数
num_test = test_face.shape[0]#测试脸总数
temp_face = test_face - np.tile(data_mean,(num_test,1))##去平均后测试行组成的大矩阵(40*(10-k),112*92)
data_test_new = temp_face*V_r#得到测试脸在特征向量下的数据
data_test_new = np.array(data_test_new) # mat change to array
data_train_new = np.array(data_train_new)
#测试准确度
true_num = 0
for i in range(num_test):
testFace = data_test_new[i,:]
diffMat = data_train_new - np.tile(testFace,(num_train,1))#训练数据与测试脸之间距离
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)#按行求和
sortedDistIndicies = sqDistances.argsort()#对向量从小到大排序,使用的是索引值,得到一个向量
indexMin = sortedDistIndicies[0]#距离最近的索引
if train_label[indexMin] == test_label[i]:
true_num += 1
else:
pass
accuracy = float(true_num)/num_test
x_value.append(k)
y_value.append(round(accuracy,2))
print ('当每个人选择%d张照片进行训练时,The classify accuracy is: %.2f%%'%(k,accuracy * 100))
#绘图
if r==10:
y1_value=y_value
plt.plot(x_value,y_value,marker="o",markerfacecolor="red")
for a, b in zip(x_value, y_value):
plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)
plt.title("降到10维时识别准确率",fontsize=14)
plt.xlabel("K值",fontsize=14)
plt.ylabel("准确率",fontsize=14)
plt.show()
#print ('y1_value',y1_value)
if r==20:
y2_value=y_value
plt.plot(x_value,y2_value,marker="o",markerfacecolor="red")
for a, b in zip(x_value, y_value):
plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)
plt.title("降到20维时识别准确率",fontsize=14)
plt.xlabel("K值",fontsize=14)
plt.ylabel("准确率",fontsize=14)
plt.show()
#print ('y2_value',y2_value)
if r==30:
y3_value=y_value
plt.plot(x_value,y3_value,marker="o",markerfacecolor="red")
for a, b in zip(x_value, y_value):
plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)
plt.title("降到30维时识别准确率",fontsize=14)
plt.xlabel("K值",fontsize=14)
plt.ylabel("准确率",fontsize=14)
plt.show()
#print ('y3_value',y3_value)
if r==40:
y4_value=y_value
plt.plot(x_value,y4_value,marker="o",markerfacecolor="red")
for a, b in zip(x_value, y_value):
plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)
plt.title("降到40维时识别准确率",fontsize=14)
plt.xlabel("K值",fontsize=14)
plt.ylabel("准确率",fontsize=14)
plt.show()
#print ('y4_value',y4_value)
#各维度下准确度比较
L1,=plt.plot(x_value,y1_value,marker="o",markerfacecolor="red")
L2,=plt.plot(x_value,y2_value,marker="o",markerfacecolor="red")
L3,=plt.plot(x_value,y3_value,marker="o",markerfacecolor="red")
L4,=plt.plot(x_value,y4_value,marker="o",markerfacecolor="red")
#for a, b in zip(x_value, y1_value):
# plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)
plt.legend([L1,L2,L3,L4], ["降到10维", "降到20维","降到30维","降到40维"], loc=4)
plt.title("各维度识别准确率比较",fontsize=14)
plt.xlabel("K值",fontsize=14)
plt.ylabel("准确率",fontsize=14)
plt.show()
四、问题与总结
4.1问题
报错:UserWarning: Glyph 20934 (\N{CJK UNIFIED IDEOGRAPH-51C6}) missing from current font.
原因是未安装对应的字体库,需进行如下处理。
1、下载SimHei字体
https://link.zhihu.com/?target=https%3A//github.com/yuehuhu/some-useful/raw/master/ttf/SimHei.ttf
2、修改matplotlibrc文件
font.family : sans-serif
# 去掉前面的#
font.sans-serif : SimHei, Bitstream Vera Sans, Lucida Grande, Verdana, Geneva, Lucid, Arial, Helvetica, Avant Garde, sans-serif
# 去掉前面的#,并在冒号后面添加SimHei
axes.unicode_minus : False
# 去掉前面的#,并将True改为False
3、删除matplotlib的系统缓存并重启
rm -rf ~/.matplotlib/*
4.2总结
主成分分析(Principal Component Analysis, PCA)是一种常用的数据降维技术,也可以用于数据压缩、特征提取以及数据可视化等领域。以下是PCA算法的简要小结:
-
数据中心化:
- 对原始数据进行中心化处理,即每个特征减去该特征的均值,使得数据的均值为零,有助于去除数据中的偏移。
-
计算协方差矩阵:
- 计算中心化后的数据的协方差矩阵。协方差矩阵描述了数据集中不同特征之间的相关性和方差大小。
-
特征值分解:
- 对协方差矩阵进行特征值分解(或奇异值分解),得到特征值和对应的特征向量。特征值表示了数据中的方差,而特征向量则是与特征值对应的单位向量。
-
选择主成分:
- 根据特征值的大小选择主成分。特征值越大,说明对应的特征向量所表示的方差越大,因此选择前k个特征值最大的特征向量作为主成分,其中k是降维后的维度。
-
降维转换:
- 使用选定的主成分构造投影矩阵,并将原始数据投影到这些主成分上,从而实现数据的降维。投影后的数据具有较低的维度,同时保留了尽可能多的原始数据信息。
PCA通过上述步骤将高维数据转换为低维数据,同时尽可能保留原始数据的信息。它在数据预处理、特征提取、噪声过滤等方面有广泛的应用,是理解数据结构和降低计算复杂度的重要工具之一。