FW：维度打击，机器学习中的降维算法：ISOMAP & MDS_拔剑-浆糊的传说_新浪博客...

维度打击，机器学习中的降维算法：ISOMAP & MDS

http://blog.csdn.net/dark_scope/article/details/53229427

标签： 算法 数据可视化 数据 机器学习

2016-11-19 13:15 83人阅读 评论(0) 收藏 举报

本文章已收录于：

分类：

机器学习 （40）

作者同类文章 X

版权声明：本文为博主原创文章，未经博主允许不得转载。

目录(?)[+]

1. 流形学习
2. ISOMAP
3. 经典MDSMultidimensional Scaling
4. MDS的例子
5. reference

降维是机器学习中很有意思的一部分，很多时候它是无监督的，能够更好地刻画数据，对模型效果提升也有帮助，同时在数据可视化中也有着举足轻重的作用。

一说到降维，大家第一反应总是PCA，基本上每一本讲机器学习的书都会提到PCA，而除此之外其实还有很多很有意思的降维算法，其中就包括isomap，以及isomap中用到的MDS。

ISOMAP是‘流形学习’中的一个经典算法，流形学习贡献了很多降维算法，其中一些与很多机器学习算法也有结合，但上学的时候还看了蛮多的机器学习的书，从来没听说过流形学习的概念，还是在最新的周志华版的《机器学习》里才看到,很有意思，记录分享一下。

流形学习

流形学习应该算是个大课题了，它的基本思想就是在高维空间中发现低维结构。比如这个图：
这些点都处于一个三维空间里，但我们人一看就知道它像一块卷起来的布，图中圈出来的两个点更合理的距离是A中蓝色实线标注的距离，而不是两个点之间的欧式距离（A中蓝色虚线）。

此时如果你要用PCA降维的话，它根本无法发现这样卷曲的结构（因为PCA是典型的线性降维，而图示的结构显然是非线性的），最后的降维结果就会一团乱麻，没法很好的反映点之间的关系。而流形学习在这样的场景就会有很好的效果。

我对流形学习本身也不太熟悉，还是直接说算法吧。

ISOMAP

在降维算法中，一种方式是提供点的坐标进行降维，如PCA；另一种方式是提供点之间的距离矩阵，ISOMAP中用到的MDS(Multidimensional Scaling)就是这样。
在计算距离的时候，最简单的方式自然是计算坐标之间的欧氏距离，但ISOMAP对此进行了改进，就像上面图示一样：

1.通过kNN(k-Nearest Neighbor)找到点的k个最近邻，将它们连接起来构造一张图。
2.通过计算同中各点之间的最短路径，作为点之间的距离dij 放入距离矩阵D
3.将D 传给经典的MDS算法，得到降维后的结果。

ISOMAP本身的核心就在构造点之间的距离，初看时不由得为其拍案叫绝，类似的思想在很多降维算法中都能看到，比如能将超高维数据进行降维可视化的t-SNE。
ISOMAP效果，可以看到选取的最短路径比较好地还原了期望的蓝色实线，用这个数据进行降维会使流形得以保持：

ISOMAP算法步骤可谓清晰明了，所以本文主要着重讲它中间用到的MDS算法，也是很有意思的。

经典MDS（Multidimensional Scaling）

如上文所述，MDS接收的输入是一个距离矩阵D ,我们把一些点画在坐标系里：

如果只告诉一个人这些点之间的距离（假设是欧氏距离），他会丢失那些信息呢？
a.我们对点做平移，点之间的距离是不变的。
b.我们对点做旋转、翻转，点之间的距离是不变的。

所以想要从D 还原到原始数据X 是不可能的，因为只给了距离信息之后本身就丢掉了很多东西，不过不必担心，即使这样我们也可以对数据进行降维。

我们不妨假设：X 是一个n×q 的矩阵，n为样本数，q是原始的维度
计算一个很重要的矩阵B ：

B=XXT    (n×n)=(XM)(XM)T    (M是一组正交基)=XMMTX=XXT

可以看到我们通过 M 对 X 做正交变换并不会影响 B 的值，而 正交变换刚好就是对数据做旋转、翻转操作的。
所以如果我们想通过 B 反算出 X ，肯定是没法得到真正的 X , 而是它的任意一种正交变换后的结果。

B中每个元素的值为：

bij=∑k=1qxikxjk

计算距离矩阵 D ，其中每个元素值为:

d2ij