博客中的笔记:
降维当然意味着信息的丢失,不过鉴于实际数据本身常常存在的相关性,我们可以想办法在降维的同时将信息的损失尽量降低。
根据相关性来讲信息的损失量降到最低
更正式的说,向量(x,y)实际上表示线性组合:
x(1,0)?+y(0,1)?
不难证明所有二维向量都可以表示为这样的线性组合。此处(1,0)和(0,1)叫做二维空间中的一组基。
一般的,如果我们有M个N维向量,想将其变换为由R个N维向量表示的新空间中,那么首先将R个基按行组成矩阵A,然后将向量按列组成矩阵B,那么两矩阵的乘积AB就是变换结果,其中AB的第m列为A中第m列变换后的结果。
协方差(Covariance)在概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况,即当两个变量是相同的情况。
那么如何选择这个方向(或者说基)才能尽量保留最多的原始信息呢?一种直观的看法是:希望投影后的投影值尽可能分散。
方差
上面的问题(尽可能投影的分散)被形式化表述为:寻找一个一维基,使得所有数据变换为这个基上的坐标表示后,方差值最大。
协方差
从直观上说,让两个字段尽可能表示更多的原始信息,我们是不希望它们之间存在(线性)相关性的,因为相关性意味着两个字段不是完全独立,必然存在重复表示的信息。
数学上可以用两个字段的协方差表示其相关性,由于已经让每个字段均值为0,则:
Cov(a,b)=1m∑i=1maibi
当协方差为0时,表示两个字段完全独立。为了让协方差为0,我们选择第二个基时只能在与第一个基正交的方向上选择。因此最终选择的两个方向一定是正交的
至此,我们得到了降维问题的优化目标:将一组N维向量降为K维(K大于0,小于N),其目标是选择K个单位(模为1)正交基,使得原始数据变换到这组基上后,各字段两两间协方差为0,而字段的方差则尽可能大(在正交的约束下,取最大的K个方差
)。
协方差矩阵求法:
接下来讲解一下我对于PCA算法的理解:
协方差矩阵对角化
现在事情很明白了!我们要找的P不是别的,而是能让原始协方差矩阵对角化的P。换句话说,优化目标变成了寻找一个矩阵P,满足PCP?是一个对角矩阵,并且对角元素按从大到小依次排列,那么P的前K行就是要寻找的基,用P的前K行组成的矩阵乘以X就使得X从N维降到了K维并满足上述优化条件。
协方差矩阵C是一个是对称矩阵,在线性代数上,实对称矩阵有一系列非常好的性质:
1)实对称矩阵不同特征值对应的特征向量必然正交。
2)设特征向量λ
重数为r,则必然存在r个线性无关的特征向量对应于λ,因此可以将这r个特征向量单位正交化。
PCA算法
总结一下PCA的算法步骤:
设有m条n维数据。
1)将原始数据按列组成n行m列矩阵X
2)将X的每一行(代表一个属性字段)进行零均值化,即减去这一行的均值
3)求出协方差矩阵C=1mXX?
4)求出协方差矩阵的特征值及对应的特征向量
5)将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P
6)Y=PX
即为降维到k维后的数据
PCA本质上是将方差最大的方向作为主要特征,并且在各个正交方向上将数据“离相关”,也就是让它们在不同正交方向上没有相关性。
Python代码:
转载自https://www.cnblogs.com/wzjhoutai/p/6819611.html
''' @author: Garvin ''' from numpy import * import matplotlib.pyplot as plt def loadDataSet(fileName, delim='\t'): fr = open(fileName) dataArr=[] for line in fr.readlines(): stringArr= line.strip().split(delim) colArr=[] for numString in stringArr: colArr.append(float(numString)) dataArr.append(colArr) return mat(dataArr) def pca(dataMat, topNfeat=9999999): meanVals = mean(dataMat, axis=0)#获取平均值。 meanRemoved = dataMat - meanVals #remove mean covMat = cov(meanRemoved, rowvar=0)#协方差矩阵 eigVals,eigVects = linalg.eig(mat(covMat))#求特征值,特征向量 eigValInd = argsort(eigVals) #特征值排序 #sort, sort goes smallest to largest print(eigValInd) eigValInd = eigValInd[:-(topNfeat+1):-1] #cut off unwanted dimensions减掉不想要的特征值 print(eigValInd) redEigVects = eigVects[:,eigValInd] #识别最大到最小的特征向量 #reorganize eig vects largest to smallest lowDDataMat = meanRemoved * redEigVects #将数据转到新的维度中#transform data into new dimensions reconMat = (lowDDataMat * redEigVects.T) + meanVals return lowDDataMat, reconMat #转化回来的矩阵,以及最终的降维矩阵 ##画出最合适的方向。 def plotBestFit(dataSet1,dataSet2): dataArr1 = array(dataSet1) dataArr2 = array(dataSet2) n = shape(dataArr1)[0] n1=shape(dataArr2)[0] xcord1 = []; ycord1 = [] xcord2 = []; ycord2 = [] xcord3=[];ycord3=[] j=0 for i in range(n): xcord1.append(dataArr1[i,0]); ycord1.append(dataArr1[i,1]) xcord2.append(dataArr2[i,0]); ycord2.append(dataArr2[i,1]) fig = plt.figure() ax = fig.add_subplot(111) ax.scatter(xcord1, ycord1, s=30, c='red', marker='s') ax.scatter(xcord2, ycord2, s=30, c='green') plt.xlabel('X1'); plt.ylabel('X2'); plt.show() if __name__=='__main__': mata=loadDataSet('testSet.txt') #print(mata) a,b= pca(mata, 2) plotBestFit(a,b)