概念
数据降维,通俗的来说,就是把多维的数据降维成低维的数据,比如说,通过某种函数,将二位空间内的点映射到一根直线上,实现二维降到一维。
PCA的算法流程
①数据预处理,对数据进行中心化:
②求样本的协方差矩阵
③对协方差矩阵做特征值分解
④选出最大的k个特征值对应的k个特征向量
⑤将原始数据投影到选取的特征向量上
⑥输出投影后的数据集
栗子
上图中,一个国家有多个维度的数据,我们希望通过降维,使数据的可视化更加简单,下面是降维后的结果
注意,图中的两列并不是抽取了原图中某两列,而是我们根据降维算法后得出的某种特殊值。
降维分析
找到数据最重要的方向(方差最大的方向)
如图所示,黑色的叉是数据点,我们将数据点依次投影到红线和紫线上,可以直观的看出红线的方差要比紫线大。
python实现
import numpy as np
import matplotlib.pyplot as plt
#载入数据
data=np.genfromtxt("E:\Temp\wine.csv",delimiter=",")
print(data)
x_data=data[:,0]
y_data=data[:,1]
plt.scatter(x_data,y_data)
print(y_data.shape)
#数据中心化
def zeroMean(dataMat):
#按照列求平均,即各个特征的平均
meanVal=np.mean(dataMat,axis=0)
newData=dataMat-meanVal
return newData,meanVal
newData,meanVal=zeroMean(data)
#求协方差矩阵,参数rowvar=0说明数据一行代表一个样本
covMat=np.cov(newData,rowvar=0)
#求矩阵的特征值和特征向量
eigVals,eigVects=np.linalg.eig(np.mat(covMat))
#对特征值从小到大排序
eigValIndice=np.argsort(eigVals)
top=2
#最大的top个特征值的下标
n_eigValIndice=eigValIndice[-1:-(top+1):-1]
#最大的top个特征值对应的特征向量
n_eigVect=eigVects[:,n_eigValIndice]
#低维特征空间的数据
lowDDataMat=newData*n_eigVect
#利用低维数据来重构数据
reconMat=(lowDDataMat*n_eigVect.T)+meanVal
x_data=np.array(reconMat)[:,0]
y_data=np.array(reconMat)[:,1]
plt.scatter(x_data,y_data,c="r")
plt.show()